suplemento monte carlo 19-12-19 (002) · jcgm 101:2008 avaliação de dados de medição —...
Post on 04-Aug-2020
6 Views
Preview:
TRANSCRIPT
JCGM 101:2008
——————————————————————————
a
Avaliação de dados de medição — Suplemento 1 do “Guia para a expressão de incerteza de medição” — Propagação de distribuições usando um método de Monte Carlo
Instituto Nacional de Metrologia, Qualidade e Tecnologia
INMETRO
Primeira edição brasileira do JCGM 101:2008
Tradução autorizada pelo BIPM da primeira edição internacional do
documento Evaluation of measurement data — Supplement
1 to the “Guide to the expression of uncertainty in
measurement” — Propagation of distributions using a
Monte Carlo method
março/2020
Primeira edição do documento original:2008
Copyright 2020 by INMETRO
JCGM 101:2008
——————————————————————————
b
Avaliação de dados de medição — Suplemento 1 do “Guia para a expressão de incerteza de medição” — Propagação de distribuições usando um método de Monte Carlo
Grupo de trabalho para tradução do JCGM 101:2008
Coord: Antonio Carlos Baratto Dimci/Dmtic/Inmetro
Jailton Carreteiro Damasceno Dimci/Dimat/Inmetro
Paulo Paschoal Borges Dimci/Dimqt/Inmetro
Paulo Roberto Guimarães Couto Dimci/Dimec/Inmetro
Ricardo Luís d’Ávila Villela Dimci/Diavi/Inmetro
JCGM 101:2008
——————————————————————————
c
Apresentação
O Grupo de Trabalho 1 do Comitê Conjunto para Guias em Metrologia (Joint
Committee for Guides in Metrology - JCGM) do BIPM publica uma série de documentos referenciados genericamente sob o título Avaliação de dados de medição. Essa série é composta pelo "Guia para a expressão da incerteza na medição" (GUM) e por diversos suplementos que o complementam. Os suplementos abordam temas específicos com maior nível de detalhamento do que são tratados no GUM, auxiliam sua interpretação, aprimoram seu emprego nas áreas tradicionais e ampliam as possibilidades de aplicação em áreas por ele ainda não contemplados, ou nas quais seu uso se dá apenas marginalmente.
O presente Suplemento (JCGM 101:2008) é o segundo a ser traduzido no Brasil. Sua importância reside principalmente no fato de ser altamente compreensivo ao tratar o cálculo de incerteza de medição - podendo ser aplicado, com sucesso, mesmo em casos em que se revele extremamente complexa a aplicação da metodologia de incerteza do GUM. Pela importância dos conteúdos abordados nos Suplementos, o Inmetro pretende colocar à disposição dos públicos de interesse as traduções dos outros conteúdos já publicados, e dos que vierem a ser, futuramente.
O Inmetro tem funcionado como principal repositório do saber metrológico no Brasil. É esse um componente importante de sua missão institucional. Com mais esta publicação, estou certa de que estamos cumprindo adequadamente mais um de nossos basilares papéis – o de divulgador da cultura metrológica no Brasil.
Angela Flôres Furtado
Presidente do Inmetro
Dezembro de 2019
JCGM 101:2008
——————————————————————————
d
JCGM 101:2008
Avaliação de dados de medição — Suplemento 1 do “Guia para a expressão de incerteza de medição” — Propagação de distribuições
usando um método de Monte Carlo
Évaluation des données de mesure — Supplément 1 du “Guide pour l’expression de l’incertitude de mesure” — Propagation de distributions
par une méthode de Monte Carlo
Primeira edição (original) 2008
Primeira edição brasileira 2020
JCGM 101:2008
——————————————————————————
e
© JCGM2008
Os direitos autorais sobre este documento orientador são compartilhados pelas organizações membro (BIPM, IEC, IFCC, ILAC, ISO, IUPAC, IUPAP e OIML) do
Comitê Conjunto para Guias em Metrologia - JCGM.
Direitos autorais
Mesmo se versões eletrônicas estiverem gratuitamente disponíveis em endereços eletrônicos de uma ou mais organizações membro do JCGM, são internacionalmente protegidos os direitos econômicos e morais relacionados aos direitos autorais derivados de todas as publicações do JCGM. O JCGM não permite que, sem sua expressa autorização escrita, terceiros reescrevam ou repaginem edições, vendam cópias ao público, divulguem ou usem on-line suas publicações. Da mesma maneira, o JCGM é contrário a que distorções, acréscimos ou mutilações sejam realizados em suas publicações, incluindo seus títulos, lemas e logomarcas, assim como aqueles de suas
organizações membro.
Versões oficiais e traduções
As únicas versões oficiais dos documentos são aquelas publicadas pelo JCGM em suas línguas originais.
As publicações do JCGM podem ser traduzidas para outras línguas que não aquelas em que os documentos foram originalmente publicados pelo JCGM. Permissão do JCGM deve ser obtida antes de uma tradução ser feita. Todas as traduções devem respeitar os formatos originais e oficiais das fórmulas e unidades (sem qualquer conversão para outras fórmulas ou unidades).
O JCGM não assume qualquer responsabilidade pela relevância, exatidão, completeza ou qualidade das informações e materiais disponibilizados em qualquer tradução. Uma cópia da presente tradução foi fornecida ao JCGM antes de sua publicação.
Declaramos ainda que:
Todos os produtos do JCGM são protegidos internacionalmente por direitos autorais. Esta tradução do documento original do JCGM foi realizada com a permissão do JCGM. O JCGM mantém direitos autorais integrais, protegidos internacionalmente, sobre os formatos e conteúdos deste documento e sobre os títulos, lemas e logomarcas do JCGM. As organizações membro do JCGM também mantêm direitos integrais protegidos internacionalmente sobre seus títulos, lemas e logomarcas incluídos nas publicações do JCGM. A única versão oficial é o documento JCGM 101:2008 publicado pelo JCGM nas línguas originais.
JCGM 101:2008
——————————————————————————
f
Reprodução
As publicações do JCGM podem ser reproduzidas desde que seja obtida permissão escrita do JCGM. Uma amostra de qualquer documento reproduzido deverá ser providenciada ao JCGM por ocasião da reprodução, declarando que:
Este documento foi reproduzido com a permissão do JCGM, o qual mantém direitos autorais integrais protegidos internacionalmente sobre os formatos e conteúdos deste documento e sobre os títulos, lemas e logomarcas do JCGM. As organizações membro do JCGM também mantêm direitos integrais protegidos internacionalmente sobre seus títulos, lemas e logomarcas incluídos nas publicações do JCGM. As únicas versões oficiais dos documentos publicadas pelo JCGM são as versões originais.
Responsabilidade
O JCGM e suas organizações membro publicaram este documento para ampliar o acesso a informações sobre Metrologia. Envidarão esforços para atualizá-lo regularmente, mas não podem garantir sua correção a todo o momento e não poderão ser responsabilizados por qualquer prejuízo direto ou indireto que possa resultar de seu uso. Qualquer referência a produtos comerciais de qualquer tipo (incluindo, não restritamente, qualquer software, dados ou hardware), ou indicações para endereços eletrônicos na internet, sobre os quais o JCGM e suas organizações membro não têm nenhum controle e pelos quais não assumem qualquer responsabilidade, não implicam aprovação, endosso ou recomendação pelo JCGM e por suas organizações membro.
.
JCGM 101:2008
——————————————————————————
1
Sumário Página
Prefácio da primeira edição brasileira 4
Prefácio da primeira edição original 5
Introdução 6
1 Escopo 9
2 Referências normativas 11
3 Termos e definições 11
4 Convenções e notação 16
5 Princípios básicos 20 5.1 Principais etapas da avaliação de incerteza 20 5.2 Propagação de distribuições 21 5.3 Obtenção de informações do resumo 21 5.4 Implementações da propagação de distribuições 23 5.5 Declarando os resultados 25 5.6 A metodologia de incerteza do GUM 26 5.7 Condições para aplicação válida da metodologia de incerteza do GUM para modelos lineares 28 5.8 Condições para aplicação válida da metodologia de incerteza do GUM para
modelos não-lineares 29
5.9 Abordagem de Monte Carlo nas etapas de propagação e resumo 30 5.10 Condições para aplicação válida do método de Monte Carlo descrito 32 5.11 Comparação entre a metodologia de incerteza do GUM e o método de Monte
Carlo descrito 33
6 Funções densidade de probabilidade para as grandezas de entrada 36 6.1 Generalidades 36 6.2 O teorema de Bayes 37 6.3 O Princípio de Máxima Entropia 37 6.4 Atribuição da função densidade de probabilidade para alguns casos mais comuns 38
6.4.1 Generalidades 38 6.4.2 Distribuições retangulares 38 6.4.3 Distribuições retangulares com limites prescritos não exatos 39 6.4.4 Distribuições trapezoidais 41 6.4.5 Distribuições triangulares 42 6.4.6 Distribuições arco seno (em forma de U) 43 6.4.7 Distribuições gaussianas 44 6.4.8 Distribuições gaussianas multivariadas 44 6.4.9 Distribuições-t 46 6.4.10 Distribuições exponenciais 48 6.4.11 Distribuições gama 48
6.5 Distribuições de probabilidade a partir de cálculos de incerteza anteriores 49
7 Implementação de um método de Monte Carlo 49 7.1 Generalidades 49
JCGM 101:2008
——————————————————————————
2
7.2 Número de iterações de Monte Carlo 50 7.3 Amostragem de distribuições de probabilidade 51 7.4 Avaliação do modelo 51 7.5 Representação discreta da função distribuição para a grandeza de saída 52 7.6 Estimativa da grandeza de saída e da incerteza-padrão associada 53 7.7 Intervalo de abrangência para a grandeza de saída 54 7.8 Tempo de processamento computacional 54 7.9 Procedimento adaptativo de Monte Carlo 55
7.9.1 Generalidades 55 7.9.2 Tolerância numérica associada a um valor numérico 55 7.9.3 Objetivo do procedimento adaptativo 56 7.9.4 Procedimento adaptativo 56
8 Validação de resultados 59 8.1 Validação da metodologia de incerteza do GUM (MIG) usando um método de Monte Carlo 59 8.2 Obtenção de resultados usando um método de Monte Carlo (MIG) para fins de validação 60
9 Exemplos 60 9.1 Ilustrações de aspectos deste Suplemento 60 9.2 Modelo aditivo 61
9.2.1 Formulação 61 9.2.2 Grandezas de entrada com distribuições normais 62 9.2.3 Grandezas de entrada com distribuições retangulares de mesma largura 64 9.2.4 Grandezas de entrada com distribuições retangulares de diferentes larguras 65
9.3 Calibração de massa 67 9.3.1 Formulação 67 9.3.2 Propagação e resumo 68
9.4 Comparação de perdas na calibração de medidor de potência de micro-ondas 70
9.4.1 Formulação 70 9.4.2 Propagação e resumo: covariância zero 72 9.4.3 Propagação e resumo: covariância diferente de zero 77
9.5 Calibração de bloco-padrão 79 9.5.1 Formulação: modelo 79 9.5.2 Formulação: atribuição de FDP 81 9.5.3 Propagação e resumo 85 9.5.4 Resultados 86
Anexos
A Perspectiva histórica 88
B Coeficientes de sensibilidade e planilhas de incerteza 89
C Amostragens a partir de distribuições de probabilidade 90 C.1 Generalidades 90 C.2 Distribuições diversas 90 C.3 Distribuição retangular 91
C.3.1 Generalidades 91 C.3.2 Testes de aleatoriedade 92 C.3.3 Procedimento para geração de números pseudoaleatórios para uma distribuição retangular 93
JCGM 101:2008
——————————————————————————
3
C.4 Distribuição gaussiana 94 C.5 Distribuição gaussiana multivariada 95 C.6 Distribuição-t 97
D Aproximação sucessiva à função distribuição para a grandeza de saída 98
E Intervalo de abrangência para a convolução quádrupla de uma distribuição retangular 101
F O problema da comparação de perdas 103
F.1 Esperança e desvio-padrão obtidos analiticamente 103 F.2 Solução analítica para a estimativa do zero do coeficiente de reflexão de voltagem com
covariância zero associada 104 F.3 Metodologia de incerteza do GUM aplicada ao problema da comparação de perdas 105
F.3.1 Grandezas de entrada não correlacionadas 105 F.3.2 Grandezas de entrada correlacionadas 106
G Glossário dos principais símbolos 107
Bibliografia 113
Índice alfabético em português 116
Índice alfabético em inglês 119
Notas dos tradutores 123
JCGM 101:2008
——————————————————————————
4
Prefácio da primeira edição brasileira
O presente Suplemento (JCGM 101:2008) é parte de uma série de
documentos correlatos do JCGM (Joint Committee for Guides in Metrology), designados
genericamente sob o título unificador Avaliação de dados de medição. Ele desenvolve
os procedimentos para o cálculo de incerteza de medição de um mensurando que,
consubstanciado num modelo matemático de medição [GUM 3.1.6], será tratado por
um método numérico que emprega a propagação das distribuições de probabilidade
das grandezas de entrada como base para a avaliação, sua implementação sendo
realizada por um método de Monte Carlo. Trata-se de um método de grande
importância, principalmente nos casos, bastante frequentes, em que a função de
medição é significativamente não linear, tornando praticamente inviável, pelas
dificuldades inerentes aos cálculos das derivadas parciais, um tratamento pela
metodologia de incerteza do GUM. O tratamento apresentado se aplica a um modelo
com qualquer número de grandezas de entrada, e com uma única grandeza de saída.
Constituindo-se como primeira edição de um documento que aborda um
assunto assaz sofisticado, pode-se considerar como bastante natural que o texto
original (inglês) não se caracterize por apresentar todos os conceitos com exemplar
clareza e expressos numa linguagem precisamente escorreita. O atingimento de tais
características somente pode ser honestamente esperado a partir de uma segunda
edição. Assim, para uma melhor compreensão do texto ou do contexto julgamos
conveniente, em algumas passagens mais problemáticas, remeter o leitor para o final
do documento, onde apresentamos algumas notas explicativas (NT – Nota dos
Tradutores). Por outro lado, com o fito de propiciar uma leitura relativamente suave e
sem constantes interrupções, tentou-se evitar uma profusão de NTs. Optou-se assim,
quando necessária uma aclaração, e sempre que possível e mais conveniente, por
acrescentar um texto curto complementar ou explicativo, ressaltado em vermelho, em
vez de uma NT adicional.
Achamos por bem incluir o índice alfabético original em inglês, em sequência
ao Índice Alfabético em Português, com o objetivo de facilitar aos leitores, sempre que
julguem necessário, proceder à verificação especulativa ou crítica da tradução utilizada
para alguns termos ou conceitos.
Os tradutores
Novembro/2019
JCGM 101:2008
——————————————————————————
5
Prefácio
Em 1997, as sete organizações internacionais que haviam originalmente (1993)
elaborado o “Guia para a expressão de incerteza de medição (GUM)” e o “Vocabulário
internacional de metrologia - conceitos fundamentais e gerais e termos associados”
(VIM) criaram um Comitê Conjunto para Guias em Metrologia (JCGM – Joint Committee for Guides in Metrology), presidido pelo Diretor do BIPM. O JCGM assumiu a
responsabilidade por esses dois documentos do Grupo Técnico Consultivo 4 da ISO
(ISO Technical Advisory Group - TAG4).
O JCGM é formado pelo Bureau Internacional de Pesos e Medidas (BIPM - Bureau International des Poids et Mesures) conjuntamente com a Comissão Eletrotécnica
Internacional (IEC – International Electrotechnical Commission), a Federação
Internacional de Química Clínica e Medicina Laboratorial (IFCC – International Federation of Clinical Chemistry and Laboratory Medicine), a Cooperação Internacional
para Acreditação de Laboratórios (ILAC – International Laboratory Accreditation Cooperation), a Organização Internacional de Normalização (ISO – International Organization for Standardization), a União Internacional de Química Pura e Aplicada
(IUPAC – International Union of Pure and Applied Chemistry), a União Internacional de
Física Pura e Aplicada (IUPAP – International Union of Pureand Applied Physics) e a
Organização Internacional de Metrologia Legal (OIML – International Organizationof Legal Metrology).
O JCGM possui dois Grupos de Trabalho. O Grupo de Trabalho 1, "Expressão de
incerteza em medição", tem a tarefa de promover o uso do GUM e preparar
Suplementos e outros documentos para a sua ampla aplicação. O Grupo de Trabalho 2,
"Grupo de Trabalho para o VIM”, tem a tarefa de revisar e promover o uso do VIM. Para
mais informações sobre a atividade do JCGM, acessar www.bipm.org.
Suplementos como este têm por finalidade agregar valor ao GUM, fornecendo
orientações sobre aspectos da avaliação de incerteza que não são tratados
explicitamente no próprio GUM. Essas orientações, contudo, serão tão consistentes
quanto possível com as bases probabilísticas gerais do GUM.
O presente Suplemento 1 do GUM foi elaborado pelo Grupo de Trabalho 1 do JCGM,
tendo recebido a contribuição de revisões detalhadas realizadas pelas organizações
membro do JCGM e pelos Institutos Nacionais de Metrologia.
JCGM 101:2008
——————————————————————————
6
Introdução
Este Suplemento ao “Guia para a expressão de incerteza de medição” (GUM) versa sobre a
propagação de distribuições de probabilidade, efetivada através de um modelo matemático de
medição [GUM 3.1.6], como base para avaliação de incertezas de medição, sua implementação
sendo realizada por um método de Monte Carlo. O tratamento se aplica a um modelo com
qualquer número de grandezas de entrada e com uma única grandeza de saída.
O método de Monte Carlo descrito é uma alternativa prática à metodologia de incerteza do
GUM [GUM 3.4.8]. Ele é aplicável quando
a) a linearização do modelo resulta em uma representação inadequada, ou
b) a função densidade de probabilidade (FDP) para a grandeza de saída se afasta
sensivelmente de uma distribuição gaussiana ou de uma distribuição-t escalada e deslocada,
devido, por exemplo, a uma pronunciada assimetria.
No caso a), a estimativa da grandeza de saída e a incerteza-padrão associada, fornecidas pela
metodologia de incerteza do GUM, podem não ser confiáveis. No caso b), o mesmo tratamento
pode resultar em intervalos de abrangência (uma generalização de “incerteza expandida” na
metodologia do GUM) irrealistas.
O GUM [GUM 3.4.8] "... fornece uma metodologia para avaliar incerteza..." com base na lei de
propagação de incertezas [GUM 5], sendo a caracterização da grandeza de saída representada
por uma distribuição gaussiana ou uma distribuição-t escalada e deslocada [GUM G.6.2, G.6.4].
Nessa metodologia, a lei de propagação de incertezas fornece um meio para propagar as
incertezas com base no modelo (de medição) adotado. Especificamente, essa metodologia
avalia a incerteza-padrão associada a uma estimativa da grandeza de saída, sendo dados
1) as melhores estimativas das grandezas de entrada,
2) as incertezas-padrão associadas com essas estimativas, e, quando apropriado,
3) os graus de liberdade associados com essas incertezas-padrão, e
4) quaisquer covariâncias não nulas associadas com pares dessas estimativas.
A FDP que foi empregada para caracterizar a grandeza de saída é usada, dentro dessa
metodologia, para prover um intervalo de abrangência referente a uma probabilidade de
abrangência estipulada para essa mesma grandeza.
JCGM 101:2008
——————————————————————————
7
As melhores estimativas, incertezas-padrão, covariâncias e graus de liberdade resumem as
informações disponíveis concernentes às grandezas de entrada. Com referência à abordagem
considerada neste Suplemento, a informação disponível está codificada em termos de FDPs
para as grandezas de entrada. A abordagem opera com essas FDPs para determinar a FDP da
grandeza de saída.
Existem algumas limitações quanto ao uso da metodologia de incerteza do GUM. A propagação
de distribuições, no entanto, sempre fornecerá uma FDP para a grandeza de saída consistente
com o modelo da medição e com as FDPs para as grandezas de entrada. Esta FDP da grandeza
de saída descreve o conhecimento que dela se obtém com base nas informações disponíveis
para as grandezas de entrada, conforme descritas pelas respectivas FDPs. Uma vez que a FDP
para a grandeza de saída esteja disponível, essa grandeza pode ser resumida por sua esperança,
tomada como uma estimativa da grandeza (isto é, do valor do mensurando), e seu desvio-
padrão, tomado com a incerteza-padrão associada a essa estimativa. Além disso, a FDP pode ser
usada para obter, para a grandeza de saída, um intervalo de abrangência correspondente a uma
probabilidade de abrangência estipulada.
O uso de FDPs conforme descrito neste Suplemento é geralmente consistente com os conceitos
subjacentes ao GUM. A FDP para uma grandeza expressa o estado de conhecimento sobre ela,
isto é, quantifica o grau de confiança sobre os valores que podem ser atribuídos à grandeza com
base na informação disponível. A informação consiste, geralmente, de dados estatísticos brutos,
resultados de medição, ou outras declarações científicas relevantes, bem como julgamento
profissional.
Para construir uma FDP referente a uma grandeza, com base em uma série de indicações, o
teorema de Bayes pode ser aplicado [27, 33]. Estando disponível informação apropriada sobre
efeitos sistemáticos, o princípio da máxima entropia pode ser usado para atribuir uma FDP
adequada [51, 56].
A propagação de distribuições tem uma aplicação mais ampla do que a metodologia de
incerteza do GUM, pois trabalha com informações mais ricas do que as proporcionadas por
melhores estimativas e suas incertezas-padrão associadas (e graus de liberdade e covariâncias,
quando apropriado).
Uma perspectiva histórica é dada no anexo A.
NOTA 1 Citações da forma [GUM 3.1.6] são usadas para indicar itens e subitens do GUM 2008,
segundo tradução publicada pelo Inmetro em 2012 [referência 57].
NOTA 2 O GUM provê uma abordagem também em casos em que a não linearidade da função de
medição é significativa [GUM 5.1.2 NOTA]. A abordagem tem limitações: são usados apenas os principais
JCGM 101:2008
——————————————————————————
8
termos não-lineares na expansão da série de Taylor do modelo adotado, e as FDPs para as grandezas de
entrada são consideradas gaussianas. (Ver NT 01)
NOTA 3 Particularmente, o GUM caracteriza a variável (� − �)/�(�) como uma distribuição-t, onde � é a grandeza de saída, � uma estimativa de � e �(�) a incerteza-padrão associada a � [GUM G.3.1].
Essa caracterização também é usada neste Suplemento. [O GUM, na realidade, faz referência à variável (� − �)/�(�)]. NOTA 4 Uma FDP para uma grandeza não deve ser entendida como uma densidade de frequência.
NOTA 5 "A avaliação da incerteza não é uma tarefa de rotina nem uma tarefa puramente matemática;
ela depende do conhecimento detalhado da natureza do mensurando, do método de medição e do
procedimento utilizado. A qualidade e a utilidade da incerteza expressa como resultado de uma medição
dependem, portanto, e em última instância, da compreensão, da análise crítica e da integridade
daqueles que contribuíram para a obtenção de seu valor." [17].
JCGM 101:2008
——————————————————————————
9
Avaliação de dados de medição ─ Suplemento 1 do “Guia para a
expressão de incerteza de medição” ─ Propagação de distribuições
usando um método de Monte Carlo
1 Escopo
Este Suplemento fornece uma abordagem numérica geral, consistente com os princípios gerais
do GUM [GUM G.1.5] (Ver NT 02), para a realização dos cálculos que se fazem necessários como
parte de uma avaliação de incerteza de medição. A abordagem aplica-se a qualquer modelo que
tenha uma grandeza única como saída e cujas grandezas de entrada sejam caracterizadas por
quaisquer tipos de FDPs especificados [GUM G.1.4, G.5.3].
Assim como o GUM, este Suplemento está primariamente relacionado com a expressão da
incerteza de medição de uma grandeza física bem definida - o mensurando - que pode ser
caracterizada por um valor essencialmente único [GUM 1.2].
Este Suplemento fornece orientação também em situações em que as condições consideradas
para a metodologia de incerteza do GUM [GUM G.6.6] não são cumpridas, ou não está claro se
isso acontece. Ele pode ser aplicado, por exemplo, em situações em que a complexidade do
modelo torna difícil a aplicação do enfoque de incerteza de GUM. São dadas orientações numa
forma apropriada a uma implementação computacional.
Este Suplemento pode ser usado para fornecer (uma representação para) a FDP relativa à
grandeza de saída, a partir da qual possam ser obtidos
a) uma estimativa da grandeza de saída,
b) a incerteza-padrão associada a essa estimativa, e
c) um intervalo de abrangência para essa grandeza, correspondente a uma probabilidade de
abrangência especificada.
Dado (i) o modelo que relaciona a grandeza de saída com as grandezas de entrada e (ii) as FDPs
que caracterizam essas grandezas de entrada, haverá apenas uma única FDP para a grandeza de
saída, a qual, geralmente, não pode ser determinada analiticamente. O objetivo da abordagem
aqui descrita é, portanto, determinar os itens a), b), e c) acima para uma tolerância numérica
prescrita, sem aproximações que não sejam quantificadas.
JCGM 101:2008
——————————————————————————
10
Para atender a uma probabilidade de abrangência prescrita, este Suplemento pode ser usado
para fornecer qualquer intervalo de abrangência requerido, inclusive o intervalo de abrangência
probabilisticamente simétrico, e também o intervalo mínimo de abrangência.
Este Suplemento se aplica a casos em que as grandezas de entrada são independentes, a cada
grandeza sendo atribuída uma FDP apropriada, ou a casos em que são não independentes,
quando a algumas ou a todas estas grandezas é atribuída uma única FDP conjunta.
Problemas típicos de avaliação de incerteza aos quais este Suplemento pode ser aplicado
incluem aqueles em que
as incertezas contribuintes não possuem todas, aproximadamente, a mesma magnitude
[GUM G.2.2],
é difícil, ou inconveniente, obter as derivadas parciais do modelo, como requerido pela lei
de propagação de incertezas [GUM 5],
a FDP para a grandeza de saída não é uma distribuição gaussiana ou uma distribuição-t
escalada e deslocada [GUM G.6.5],
uma estimativa da grandeza de saída e a incerteza-padrão associada são
aproximadamente da mesma magnitude [GUM G.2.1],
os modelos são consideravelmente complicados [GUM G.1.5], e
as FDPs para as grandezas de entrada são assimétricas [GUM G.5.3].
É apresentado também um procedimento de validação para verificar (em cada caso) se a
metodologia de incerteza do GUM pode ser aplicada, sendo que esta metodologia continua a
ser a abordagem primária de avaliação de incerteza em circunstâncias em que é
comprovadamente aplicável.
É suficiente, normalmente, relatar incertezas de medição com um ou dois dígitos decimais
significativos. É aqui fornecida orientação sobre a realização dos cálculos para uma garantia
razoável de que, em termos das informações disponíveis, o número de dígitos decimais relatado
esteja correto.
Exemplos detalhados ilustram as orientações fornecidas.
Este documento é um Suplemento ao GUM e deve ser usado em conjunto com ele. Outras
abordagens, que sejam no geral consistentes com o GUM, podem alternativamente ser usadas.
O público-alvo deste Suplemento é o mesmo que o do GUM.
JCGM 101:2008
——————————————————————————
11
NOTA 1 Este Suplemento não considera modelos que não definem univocamente a grandeza de saída
(por exemplo, modelos que envolvem a solução de uma equação quadrática sem especificar qual raiz
deve ser considerada).
NOTA 2 Este Suplemento não considera o caso em que uma FDP prévia para a grandeza de saída
esteja disponível, mas o tratamento pode ser adaptado para atender também a este caso [16].
2 Referências normativas
Os seguintes documentos de referência são indispensáveis para a aplicação deste documento.
JCGM 100 (GUM). Guia para a expressão da incerteza em medição (GUM), 2008. Versão
publicada pelo Inmetro em 2012.
JCGM 200 (VIM: 2012). Vocabulário Internacional de Metrologia - Conceitos fundamentais e
gerais e termos associados, VIM, 1ª edição Luso-Brasileira, 2012.
3 Termos e definições
Para os propósitos deste documento aplicam-se os termos e definições usados no GUM e no
“Vocabulário Internacional de Metrologia: Conceitos fundamentais e gerais e termos
associados” (VIM), salvo indicação diferente. Algumas das definições mais relevantes,
adaptadas desses documentos (ver 4.2) quando necessário, são dadas abaixo. Outras
definições, importantes para este Suplemento, são também apresentadas, incluindo definições
tomadas ou adaptadas de outras fontes.
Um glossário dos principais símbolos é apresentado no anexo G.
3.1
distribuição de probabilidade
(de uma variável aleatória) função que determina a probabilidade de que uma variável aleatória
assuma qualquer valor dado, ou de que pertença a um dado conjunto de valores
NOTA A probabilidade do conjunto inteiro de valores da variável aleatória é igual a 1.
[Adaptado de ISO 3534-1:1993; 1.3; GUM C.2.3]
NOTA 1 Uma distribuição de probabilidade é denominada univariada quando relacionada a uma
variável aleatória (escalar) singular, e multivariada quando relacionada a um vetor de variáveis
JCGM 101:2008
——————————————————————————
12
aleatórias. Uma distribuição de probabilidade multivariada é descrita também como uma distribuição
conjunta.
NOTA 2 Uma distribuição de probabilidade pode assumir a forma de uma função distribuição ou de
uma função densidade de probabilidade.
3.2
função distribuição
função que determina, para cada valor �, a probabilidade de que a variável aleatória seja
menor que ou igual a �:
�(�) = Pr( ≤ �) [Adaptado de ISO 3534-1:1993, 1.4; GUM C.2.4]
3.3
função densidade de probabilidade
derivada, quando existe, da função distribuição
��(�) = d�(�)/��
NOTA ��(�)�� é o “elemento de probabilidade”
��(�)d� = ��(� < < � + ��).[Adaptado de ISO 3534-1:1993, 1.5; GUM C.2.5]
3.4
distribuição normal
distribuição de probabilidade de uma variável aleatória contínua , cuja função densidade de
probabilidade é
��(�) = ��√�� exp !− �� "#$%� &�',para −∞ < � < +∞
NOTA * é a esperança e + é o desvio-padrão de .
[Adaptado de ISO 3534-1:1993, 1.37; GUM C.2.14]
NOTA A distribuição normal é conhecida também como uma distribuição gaussiana.
3.5
Distribuição-t
JCGM 101:2008
——————————————————————————
13
distribuição de probabilidade de uma variável aleatória contínua , cuja função densidade de
probabilidade é
��(�) = ,((-.�)/�)√�-,(-/�) "1 + #0- &$(-.�)/�,para −∞ < � < +∞, com o parâmetro 1 (um inteiro positivo) sendo o número de graus de
liberdade da distribuição, e onde
Γ(3) = 4 56$�e$7d589 ,3 > 0é a função gama
3.6
esperança
propriedade de uma variável aleatória, a qual, para uma variável aleatória contínua
caracterizada por uma FDP ��(�), é dada por
<() = = ���(�)d�8$8
NOTA 1 Nem todas as variáveis aleatórias possuem uma esperança.
NOTA 2 A esperança de uma variável aleatória > = ?(), para uma dada função ?(), é
<(>) = <(?()) = 4 ?(�)��(�)d�8$8 .3.7
variância
propriedade de uma variável aleatória, a qual, para uma variável aleatória contínua
caracterizada por uma FDP ��(�), é dada por
@() = = A� − <()B���(�)d�8$8
NOTA Nem todas as variáveis aleatórias possuem uma variância.
3.8
desvio-padrão
raiz quadrada positiva A@()B�/� da variância
3.9
momento de ordem �
JCGM 101:2008
——————————————————————————
14
esperança da r-ésima potência de uma variável aleatória, nominalmente
<(C) = = �C��(�)d�8$8
NOTA 1 O momento central de ordem � é a esperança da variável aleatória > = A − <()BC.
NOTA 2 A esperança <() é o primeiro momento. A variância @() é o momento central de ordem 2.3.10
covariância
propriedade de um par de variáveis aleatórias, a qual, para duas variáveis aleatórias contínuas � e �, caracterizadas por uma FDP conjunta (multivariada) �D(E), onde D = (�, �)F e E =(��, ��)F, é dada por
Cov(�, �) = = = A�� − <(�)BA�� − <(�)B�D(E)d��8$8
8$8 d��
NOTA Nem todos os pares de variáveis aleatórias possuem uma covariância.
3.11
matriz de incerteza
matriz de dimensão J × J contendo, em sua diagonal, os quadrados das incertezas-padrão
associadas às estimativas dos componentes de uma grandeza vetorial de dimensão J e, nas
posições fora da diagonal, as covariâncias associadas a pares de estimativas
NOTA 1 Uma matriz de incerteza LM de dimensão J × J associada à estimativa vetorial M de uma
grandeza vetorial D tem a representação
LM = N�(O�, O�) … �(O�, OQ)⋮ ⋱ ⋮�(OQ , O�) … �(OQ , OQ)T, onde �(OU, OU) = ��(OU) é a variância (o quadrado da incerteza-padrão) associada a OU e �VOU, OWX é a
covariância associada a OU e OW. As covariâncias �VOU, OWX serão iguais a zero se os elementos U e W de D
são não correlacionados.
NOTA 2 Covariâncias são também chamadas de incertezas mútuas.
NOTA 3 Uma matriz de incerteza é também conhecida como matriz de covariância ou matriz de
variância-covariância.
3.12
intervalo de abrangência (Ver NT 03)
JCGM 101:2008
——————————————————————————
15
intervalo, baseado na informação disponível, que contém o valor de uma grandeza com uma
probabilidade determinada
NOTA 1 Um intervalo de abrangência é também conhecido como intervalo de credibilidade ou
intervalo bayesiano.
NOTA 2 Há, geralmente, mais de um intervalo de abrangência para uma mesma probabilidade
declarada.NOTA 3 Um intervalo de abrangência não deve ser denominado "intervalo de confiança" para evitar
confusão com este conceito (que é puramente) estatístico [GUM 6.2.2].
NOTA 4 Esta definição difere daquela contida no VIM, 3ª Edição (2012), uma vez que, devido a razões
apresentadas no GUM [GUM E.5], o termo "valor verdadeiro" não foi usado neste Suplemento.
3.13
probabilidade de abrangência
probabilidade de que o valor de uma grandeza esteja contido dentro de um intervalo de
abrangência especificado
NOTA A probabilidade de abrangência é por vezes denominada “nível da confiança” [GUM 6.2.2].
3.14
amplitude de um intervalo de abrangência
maior valor menos o menor valor em um intervalo de abrangência
3.15
intervalo de abrangência probabilisticamente simétrico
intervalo de abrangência para uma grandeza em que a probabilidade de a grandeza ser menor
do que o limite inferior do intervalo é igual à probabilidade de ela ser maior do que o limite
superior do intervalo
3.16
mínimo intervalo de abrangência
intervalo de abrangência para uma grandeza com a menor amplitude entre todos os intervalos
de abrangência referentes a essa grandeza que possuem a mesma probabilidade de
abrangência
3.17
propagação de distribuições
JCGM 101:2008
——————————————————————————
16
método usado para determinar a distribuição de probabilidade para uma grandeza de saída a
partir das distribuições de probabilidade atribuídas às grandezas de entrada das quais a
grandeza de saída depende
3.18
metodologia de incerteza do GUM
aplicação da lei de propagação de incertezas e caracterização da grandeza de saída por uma
distribuição gaussiana, ou uma distribuição-t escalada e deslocada, para fornecer um intervalo
de abrangência
3.19
método de Monte Carlo
método para a propagação de distribuições com o uso de amostragem aleatória de
distribuições de probabilidade
3.20
tolerância numérica
semi amplitude do intervalo mais curto que contém todos os números que podem ser
expressos corretamente com um número especificado de algarismos decimais significativos
EXEMPLO Com justamente dois algarismos significativos, todos os números maiores que 1,75 e
menores que 1,85 podem ser expressos como 1,8. A tolerância numérica, neste caso, será (1,85 –
1,75)/2 = 0,05.
NOTA Para o cálculo de tolerância numérica associada com um valor numérico, ver 7.9.2.
4 Convenções e notação
Para os propósitos deste Suplemento são adotadas as seguintes convenções e notação.
4.1 Um modelo matemático de medição [GUM 4.1] de uma grandeza singular (escalar) pode
ser expresso como uma relação funcional Y:
� = Y(D), (1)
onde � é uma grandeza de saída escalar e D representa as J grandezas de entrada (�, … , Q)F. Cada U é considerado uma variável aleatória com possíveis valores �U e
esperança OU. � é uma variável aleatória com possíveis valores Z e esperança �.
JCGM 101:2008
——————————————————————————
17
NOTA 1 O mesmo símbolo é usado para uma grandeza física e para a variável aleatória que
representa essa grandeza (ver [GUM 4.1.1 NOTA 1]).
NOTA 2 Muitos modelos de medição podem ser expressos na forma da Equação (1). Uma forma mais
geral é ℎ(�, D) = 0
que relaciona implicitamente D e �. Em qualquer caso, para aplicar o método de Monte Carlo aqui
descrito, é necessário apenas que � possa ser correspondentemente formado a partir de quaisquer D
que tenham significância.
4.2 Este Suplemento não utiliza os símbolos usados frequentemente para 'FDP' e 'função
distribuição' [24]. O GUM usa o símbolo genérico Y para denotar um modelo e uma FDP, o que
pode acarretar, por vezes, algumas possíveis confusões. A contextualização neste Suplemento é
diferente. Os conceitos de modelo, FDP e função distribuição são fundamentais para
acompanhar e implementar a orientação fornecida. Portanto, em lugar dos símbolos Y e ?
indicarem a FDP e a função distribuição, respectivamente, são utilizados os símbolos � e .
Estes símbolos são indexados adequadamente para indicar a grandeza em questão. O símbolo Y
é reservado para o modelo.
NOTA As definições na Cláusula 3 relacionadas a FDP e distribuições são apropriadamente adaptadas.
4.3 Neste Suplemento, uma FDP é atribuída a uma grandeza, que pode ser singular (escalar) ou vetorial D. No caso escalar, a FDP para é denotada por ��(�), onde � é uma variável que
descreve os possíveis valores de , considerada uma variável aleatória com esperança <() e
variância @() (ver 3.6 e 3.7).
4.4 No caso vetorial, a FDP para D é denotada por �D(E), onde E = (��, … , �Q)F é uma
variável vetorial que descreve os possíveis valores da grandeza vetorial D, considerada uma
variável vetorial aleatória com esperança (vetorial) <(D) e matriz de covariância @(D). 4.5 Uma FDP para mais de uma grandeza de entrada é geralmente denominada conjunta
mesmo se todas as grandezas de entrada são independentes.
4.6 Quando os elementos U de D são independentes, a FDP para U é denotada por ��\(�U). 4.7 A FDP para � é denotada por �](Z) e a função distribuição para � por ](Z). 4.8 No corpo deste Suplemento, uma grandeza é geralmente simbolizada por uma letra
maiúscula e a esperança desta grandeza, ou uma estimativa da mesma, pela letra minúscula
correspondente. Por exemplo, a esperança ou uma estimativa da grandeza � seria denotada
por �. Essa notação é bastante inapropriada para grandezas físicas, devido ao uso largamente
estabelecido de alguns símbolos específicos, por exemplo, ^ para temperatura e 5 paratempo.
JCGM 101:2008
——————————————————————————
18
Portanto, em alguns dos exemplos (Cláusula 9), uma notação diferente é usada. Neste caso,
uma grandeza é denotada pelo seu símbolo convencional e sua esperança, ou sua estimativa,
por esse mesmo símbolo com o sinal do acento circunflexo sobreposto. Por exemplo, na
calibração de um bloco-padrão, a grandeza que representa o desvio de comprimento em
relação ao seu comprimento nominal (ver 9.5) é denotada por _`, e a estimativa de _` por _a .
NOTA Um símbolo com o sinal do acento circunflexo sobreposto é geralmente usado na literatura
estatística para indicar uma estimativa.
4.9 Neste Suplemento, o termo "lei de propagação de incertezas" aplica-se ao uso de uma
aproximação da série de Taylor de primeira ordem para o modelo. O termo é qualificado
apropriadamente quando uma aproximação de ordem superior é utilizada.
4.10 O subscrito "c" [GUM 5.1.1] para a incerteza-padrão combinada é redundante neste
Suplemento. A incerteza-padrão associada a uma estimativa � de uma grandeza de saída �
pode, portanto, ser escrita como �(�), mas o uso de �b(�) permanece aceitável se for útil
enfatizar o fato de que ele representa uma incerteza-padrão combinada. O qualificador
"combinada", neste contexto, também é considerado supérfluo e pode ser omitido: a presença
de "�" em "�(�)" já indica a estimativa com a qual a incerteza-padrão está associada. Além
disso, quando os resultados de uma ou mais avaliações de incerteza se tornam insumos para
uma avaliação de incerteza subsequente, o uso do subíndice "c" e o qualificador "combinada"
tornam-se então inapropriados.
4.11 Os termos "intervalo de abrangência" e "probabilidade de abrangência" são usados ao
longo deste Suplemento. O GUM usa o termo "nível da confiança" como sinônimo de
probabilidade de abrangência, e estabelece uma distinção entre "nível de confiança" e "nível da
confiança", porque o primeiro tem uma definição específica em estatística (ver NT 04). Uma vez
que, em alguns idiomas, a tradução destes dois termos a partir do idioma inglês produz a
mesma expressão, seu uso é evitado aqui.
4.12 De acordo com a Resolução 10 da 22ª CGPM (2003) "... o símbolo para o marcador
decimal deve ser o ponto ou a vírgula...". O JCGM decidiu adotar, em seus documentos em
Inglês, o ponto. Nesta tradução em Português será adotada a vírgula.
4.13 Salvo indicação contrária, números são expressos de forma a indicar o número de dígitos
decimais significativos.
EXEMPLO Os números 0,060; 0,60; 6,0 e 60 são expressos com dois dígitos decimais significativos. Os
números 0,06; 0,6; 6 e 6×101 são expressos com um dígito decimal significativo. Seria incorreto
expressar o número 6×101 como 60, uma vez que estariam então implícitos dois dígitos decimais
significativos.
JCGM 101:2008
——————————————————————————
19
4.14 Alguns símbolos têm mais de um significado neste Suplemento. Ver o Anexo G. O
contexto esclarece o uso.
4.15 As seguintes abreviaturas são usadas neste Suplemento:
CGPM Conferência Geral de Pesos e Medidas (Conférence Générale des Poids et Mesures)
IEEE Instituto de Engenheiros Eletricistas e Eletrônicos (Institute of Electrical and
Electronic Engineers)
MIG Metodologia de incerteza do GUM (GUF - GUM uncertainty framework)
JCGM Comitê Conjunto para Guias em Metrologia (Joint Committee for Guides in
Metrology)
GUM Guia para a expressão da incerteza em medição (Guide to the expression of
uncertainty in measurement)
MMC Método de Monte Carlo (MCM - Monte Carlo method)
FDP Função densidade de probabilidade (PDF - probability density function)
VIM Vocabulário Internacional de Metrologia: Conceitos fundamentais e gerais e termos
associados
JCGM 101:2008
——————————————————————————
20
5 Princípios básicos
5.1 Principais etapas da avaliação de incerteza
5.1.1 As principais etapas que compõem a avaliação de incerteza são formulação,
propagação e resumo:
a) Formulação:
1) definir a grandeza de saída �, a qual se pretende medir (o mensurando);
2) determinar as grandezas de entrada D = (�, … , Q)F das quais � depende;
3) desenvolver um modelo relacionando � a D;
4) com base no conhecimento disponível, atribuir FDPs – gaussianas (normais),
retangulares (uniformes), ou outras adequadas – para as entradas U. Atribuir, por
outro lado, uma FDP conjunta às entradas U que não sejam independentes;
b) Propagação: propagar as FDPs dos U por meio do modelo para se obter a FDP para �;
c) Resumo: usar a FDP de � para obter
1) a esperança de �, tomada como uma estimativa � da grandeza,
2) o desvio-padrão de �, tomado como a incerteza-padrão �(�) associada com � [GUM
E.3.2], e
3) um intervalo de abrangência contendo � com uma probabilidade especificada (a
probabilidade de abrangência).
NOTA 1 A esperança pode não ser apropriada para todas as aplicações (ver [GUM 4.1.4]).
NOTA 2 Grandezas descritas por algumas distribuições, como a distribuição de Cauchy, não têm
esperança ou desvio-padrão. No entanto, um intervalo de abrangência para a grandeza de saída pode
sempre ser obtido.
5.1.2 A metodologia de incerteza do GUM não faz referência explícita à atribuição de FDPs às
grandezas de entrada. No entanto [GUM 3.3.5], "... uma incerteza-padrão do Tipo A é obtida a
partir de uma função densidade de probabilidade ... derivada de uma distribuição de
frequência observada ..., enquanto que uma incerteza-padrão do Tipo B é obtida de uma
função densidade de probabilidade assumida como conveniente e adequada com base no grau
de credibilidade de que um evento irá ocorrer.... Ambos os enfoques empregam interpretações
reconhecidas de probabilidade".
NOTA O uso de distribuições de probabilidade em uma avaliação de incerteza do Tipo B é uma
característica da inferência bayesiana [21, 27]. Pesquisas continuam sendo realizadas [22] sobre os
limites de validade para a atribuição de número d graus de liberdade a uma incerteza-padrão baseada na
fórmula de Welch-Satterthwaite.
JCGM 101:2008
——————————————————————————
21
5.1.3 Os passos na etapa de formulação são realizados pelo metrologista, com possível
suporte especializado. Orientação sobre as atribuições de FDPs [passo 4) da etapa a) em 5.1.1] é
fornecida neste Suplemento para alguns casos comuns (6.4). As etapas de propagação e
resumo, b) e c) em 5.1.1, para as quais são aqui fornecidas orientações detalhadas, não
requerem informações metrológicas adicionais e, em princípio, podem ser realizadas para
qualquer tolerância numérica requerida para o problema especificado na etapa de formulação.
NOTA Uma vez realizada a etapa de formulação a) em 5.1.1, a FDP da grandeza de saída fica
matematicamente especificada de forma completa, mas geralmente os cálculos da esperança, do
desvio-padrão e dos intervalos de abrangência requerem métodos numéricos que envolvem algum grau
de aproximação.
5.2 Propagação de distribuições
Neste Suplemento, apresenta-se uma abordagem geralmente eficiente para a determinação (de
uma aproximação numérica) da seguinte função distribuição de �
](Z) = = �](3)�3c$8
Ela é baseada na aplicação de um método de Monte Carlo (MMC) como uma implementação da
propagação de distribuições (5.9).
NOTA Uma definição formal [9] para a FDP de � é
�](Z) = = …= �D(E)_VZ − Y(E)X��Q…���8$8
8$8
onde _(. ) denota a função delta de Dirac. Em geral, não se consegue uma solução analítica para essa
integral múltipla. Uma regra de integração numérica pode ser aplicada para fornecer uma aproximação
de �](Z), mas esta não é uma abordagem eficiente.
5.3 Obtenção de informações do resumo
5.3.1 Uma estimativa � de � é a esperança <(�). A incerteza-padrão �(�) associada a � é
dada pelo desvio-padrão de �, a raiz quadrada positiva da variância @(�) de �.
5.3.2 Um intervalo de abrangência para � pode ser determinado a partir de ](Z). Sendo d
qualquer valor numérico entre zero e 1 − e , onde e é a probabilidade de abrangência
requerida, os pontos extremos de um intervalo de abrangência de 100e % para � são ]$�(d) e ]$�(e + d), ou seja, os quantis de d e de (e + d) de ](Z).
JCGM 101:2008
——————————————————————————
22
5.3.3 A escolha de d = (1 − e)/2 fornece o intervalo de abrangência definido pelos quantis (1 − e)/2 e (1 + e)/2, proporcionando um intervalo de abrangência probabilisticamente
simétrico de 100e%.
NOTA Quando a FDP para � é simétrica em relação à estimativa �, o intervalo de abrangência obtido
seria idêntico a � ± ij, onde a incerteza expandida [GUM 2.3.5] ij é dada pelo produto entre a
incerteza-padrão �(�) e o fator de abrangência apropriado para essa FDP. Esta FDP geralmente não é
conhecida analiticamente.
5.3.4 Um valor numérico de d diferente de (1 − e)/2 pode ser mais apropriado se a FDP for
assimétrica. Neste caso pode ser usado o mínimo intervalo de abrangência de 100e %. Para
uma FDP unimodal (de pico único), este intervalo possui a propriedade de conter a moda, ou
seja, o valor mais provável de �. Ele é obtido a partir do valor numérico de d que, se �](Z) é
unimodal, satisfaz �]V]$�(d)X = �]V]$�(e + d)X e, geralmente, a partir do valor numérico de d tal que ]$�(e + d) − ]$�(d) é um mínimo.
5.3.5 O intervalo de abrangência de 100e % probabilisticamente simétrico e o mínimo
intervalo de abrangência de 100e% são idênticos para uma FDP simétrica, como ocorre na
distribuição gaussiana e na distribuição-t escalada e deslocada, usadas na metodologia de
incerteza do GUM. Portanto, para uma comparação da metodologia de incerteza do GUM com
outras abordagens, qualquer um desses intervalos pode ser usado.
5.3.6 A Figura 1 mostra a função distribuição ](Z) correspondente a uma FDP assimétrica.
As linhas verticais pontilhadas marcam os pontos extremos do intervalo de abrangência
probabilisticamente simétrico de 95 %, e as linhas horizontais pontilhadas marcam os pontos de
probabilidade correspondentes, 0,025 e 0,975. As linhas contínuas marcam os pontos extremos
do mínimo intervalo de abrangência de 95 % e os pontos correspondentes de probabilidade,
que são 0,006 e 0,956 neste caso. Os comprimentos dos intervalos de abrangência de 95 % são,
nos dois casos, 1,76 e 1,69 unidades, respectivamente.
JCGM 101:2008
——————————————————————————
23
Figura 1 – Uma função distribuição ](Z) correspondente a uma FDP assimétrica, mostrando
os intervalos de abrangência: probabilisticamente simétrico e mínimo intervalo de
abrangência para 95 % (5.3.6). “Unidade” denota qualquer unidade
5.4 Implementações da propagação de distribuições
5.4.1 A propagação de distribuições pode ser implementada de diversas formas:
a) métodos analíticos, isto é, métodos que fornecem uma representação matemática da FDP
para �;
b) propagação de incertezas com base na substituição do modelo por uma aproximação da
série Taylor de primeira ordem [GUM 5.1.2] - a lei de propagação de incertezas;
c) como em b), exceto que as contribuições derivadas de termos de ordem superior na
aproximação da série Taylor são incluídas [GUM 5.1.2 NOTA];
d) métodos numéricos [GUM G.1.5] que implementam a propagação de distribuições, usando
especificamente o MMC (ver 5.9).
NOTA 1 Métodos analíticos são ideais na medida em que não introduzem nenhuma aproximação. No
entanto, são aplicáveis apenas em casos simples. Um tratamento e exemplos estão disponíveis [8, 13].
Esses métodos não serão mais considerados neste Suplemento, a não ser nos exemplos (Cláusula 9) para
fins comparativos.
NOTA 2 O MMC como aqui tratado é considerado um meio para fornecer uma representação
numérica da distribuição para a grandeza de saída, em vez de um método de simulação propriamente
JCGM 101:2008
——————————————————————————
24
dito. No contexto da etapa de propagação da avaliação de incerteza, o problema a ser resolvido é
determinístico, não havendo um processo físico aleatório a ser simulado.
5.4.2 Abordagens para avaliações de incertezas que não aquela do GUM são permitidas pelo
Guia [GUM G.1.5]. A abordagem proposta neste Suplemento, baseada na propagação de
distribuições, é geral. Para modelos lineares ou linearizados e grandezas de entrada para as
quais as FDPs são gaussianas, a abordagem produz resultados consistentes com os da
abordagem do GUM. No entanto, em casos nos quais as condições para a aplicação da
metodologia de incerteza do GUM (ver 5.7 e 5.8) não são atendidas, a abordagem deste
Suplemento leva geralmente a uma declaração de incerteza válida.
5.4.3 Para a etapa de propagação deve ser escolhido um método que seja o mais apropriado.
Se for possível demonstrar que são aplicáveis as condições necessárias para que a metodologia
de incerteza do GUM produza resultados válidos, então essa abordagem pode ser usada. Se
houver indicações de que a metodologia de incerteza do GUM será provavelmente inválida,
então outra abordagem deve ser empregada. Pode surgir uma terceira situação em que seja
difícil avaliar se a metodologia de incerteza do GUM será ou não válida. Em todos os três casos,
o MMC fornece um método prático (alternativo). No primeiro caso, o MMC às vezes pode ser
mais fácil de aplicar devido, por exemplo, a dificuldades no cálculo dos coeficientes de
sensibilidade [GUM 5.1.3]. No segundo, espera-se que o MMC geralmente forneça resultados
válidos, uma vez que não faz hipóteses de aproximação. No terceiro, o MMC pode ser aplicado
para determinar diretamente os resultados ou para avaliar a qualidade daqueles fornecidos
pela metodologia de incerteza do GUM.
5.4.4 A propagação das FDPs (��\(�U), k = 1,… ,J) das grandezas de entrada U com o uso do
modelo, para fornecer a FDP �](Z) para a grandeza de saída �, está ilustrada na Figura 2 para
três U independentes (J = 3). A Figura 2 pode ser comparada à Figura 3 para a lei de
propagação de incertezas. Na Figura 2, as FDPs (��\(�U), k = 1,2,3) são, respectivamente,
gaussiana, triangular e gaussiana. A FDP de saída �](Z) é indicada como sendo assimétrica,
como geralmente ocorre para modelos não-lineares ou para entradas ��\(�U) assimétricas.
JCGM 101:2008
——————————————————————————
25
Figura 2 – Ilustração da propagação de distribuições para J = 3 grandezas de entrada
independentes (5.4.4)
5.4.5 Na prática, apenas para casos simples a propagação de distribuições pode ser
implementada sem se fazerem aproximações. Tanto a metodologia de incerteza do GUM como
o MMC implementam métodos aproximados, embora de distintas naturezas. Para um pequeno,
mas importante, subconjunto de problemas a metodologia de incerteza do GUM é exata. O
MMC nunca é exato, mas, para uma grande classe de problemas, tem uma maior validade que a
metodologia de incerteza do GUM.
5.5 Declarando os resultados
5.5.1 Os seguintes itens são normalmente declarados após a aplicação da propagação de
distribuições:
a) uma estimativa � da grandeza de saída �;
b) a incerteza-padrão �(�) associada a �;
c) a probabilidade de abrangência estipulada de 100e % (p.ex. 95 %);
d) os pontos extremos do intervalo de abrangência de 100e % selecionado;
e) qualquer outra informação relevante, tal como se o intervalo de abrangência é
probabilisticamente simétrico ou um mínimo intervalo de abrangência.
5.5.2 �, �(�) e os pontos extremos de um intervalo de abrangência de 100e % para � devem
ser reportados com um número de dígitos decimais de modo que o algarismo menos
significativo esteja na mesma posição em relação ao ponto decimal apresentado em �(�) [GUM
7.2.6]. Um ou dois algarismos significativos são geralmente adequados para representar �(�).
JCGM 101:2008
——————————————————————————
26
NOTA 1 Cada um desses valores numéricos declarados é normalmente obtido arredondando-se um
valor numérico originalmente expresso com um número maior de algarismos significativos.
NOTA 2 Um fator que influencia a escolha entre um e dois algarismos significativos é o valor do
primeiro algarismo significativo de �(�). Se este algarismo for 1 ou 2, será grande o desvio relatado do
valor numérico de �(�) com relação ao seu valor numérico antes do arredondamento. Se o primeiro
algarismo significativo for 9, o desvio será relativamente menor.
NOTA 3 Se os resultados forem utilizados em cálculos posteriores, deve-se considerar a necessidade
de manutenção de algarismos originais.
EXEMPLO Os resultados reportados correspondentes à declaração de dois algarismos significativos em �(�), para um caso em que o intervalo de abrangência é assimétrico em relação a �, são
� = 1,024 V, �(�) = 0,028 V,
mínimo intervalo de abrangência para 95 % = [0,983; 1,088] V.
Os mesmos resultados, reportados com um algarismo significativo em �(�), seriam
� = 1,02 V, �(�) = 0,03 V,
o mínimo intervalo de abrangência para 95 % = [0,98; 1,09] V.
5.6 Metodologia de incerteza do GUM
5.6.1 O GUM fornece orientação geral sobre muitos aspectos das etapas de avaliação de
incerteza apresentadas em 5.1.1. Provê também a metodologia de incerteza do GUM para as
etapas de propagação e resumo da avaliação de incerteza. A metodologia de incerteza do GUM
tem sido adotada por muitas organizações, é amplamente utilizada, e tem sido implementada
em normas e em guias sobre incerteza de medição e também em softwares.
5.6.2 A metodologia de incerteza do GUM compreende as etapas que se seguem. Cada
grandeza de entrada U do modelo é representada por sua esperança e por seu desvio-padrão,
de acordo com a FDP para essa grandeza [GUM 4.1.6]. A esperança é tomada como a melhor
estimativa OU de U e o desvio-padrão como a incerteza-padrão �(OU) associada a OU . Essa
informação é propagada usando-se a lei de propagação de incertezas [GUM 5.1.2], por meio de
uma aproximação da série de Taylor de primeira ordem (ou ordem superior) do modelo, para
fornecer
a) uma estimativa � da grandeza de saída �, e
b) a incerteza-padrão �(�) associada a �.
JCGM 101:2008
——————————————————————————
27
A estimativa � é obtida avaliando-se o modelo para os valores OU. Um intervalo de abrangência
para � é fornecido considerando-se a FDP de � como gaussiana ou, se os graus de liberdade
associados a �(�) forem finitos [GUM Anexo G], como uma distribuição-t escalada e deslocada.
NOTA Quando da apresentação dos U incluem-se também, caso seja apropriado, os graus de
liberdade associados aos �(OU) [GUM 4.2.6]. Incluem-se ainda, quando apropriado, covariâncias
associadas a pares de OU [GUM 5.2.5].
5.6.3 As etapas de propagação e resumo da metodologia de incerteza do GUM (etapas b) e c)
em 5.1.1) constituem os passos computacionais a seguir. Veja também a Figura 3, que ilustra a
lei de propagação de incertezas para um modelo com J = 3 grandezas de entrada
independentes D = (�, �, m)T, que são estimadas por OU com incertezas-padrão associadas �(OU), k = 1, 2, 3. A grandeza de saída � é estimada por �, com incerteza-padrão associada �(�). a) Obter, das FDPs das grandezas de entrada D = (�, . . . , Q)T , as esperanças M =(O�, . . . , OQ)T e os desvios-padrão (incertezas-padrão) o(M) = A�(O�), . . . , �(OQ)BT . Se
pares dos U não forem independentes (caso em que suas covariâncias são diferentes de
zero), deve-se usar a FDP conjunta de D.
b) Estabelecer o número de graus de liberdade (finito ou infinito) associado a cada �(OU). c) Para cada par k, p para o qual U e W não são independentes, obter a covariância (incerteza
mútua) �(OU, OW), associada a OU e OW a partir da FDP conjunta de U e W.
d) Obter as derivadas parciais de primeira ordem de Y(D) em relação a D.
e) Calcular �, isto é, o modelo avaliado em D igual a M.
f) Calcular os coeficientes de sensibilidade do modelo [GUM 5.1.3], sendo eles as derivadas
parciais em M avaliadas acima.
g) Calcular a incerteza-padrão �(�) combinando o(M), os �(OU, OW) e usando os coeficientes de
sensibilidade do modelo [GUM Formulas (10), (13)].
h) Calcular 1eff, o número efetivo de graus de liberdade associado a �(�), usando a fórmula de
Welch-Satterthwaite [GUM Formula (G.2b)].
i) Calcular a incerteza expandida ij , e então um intervalo de abrangência (para uma
probabilidade de abrangência estipulada e ) para � , considerada como uma variável
aleatória, formando o múltiplo apropriado de �(�) ao se tomar a distribuição de
probabilidade de (� − �)/�(�) como uma distribuição gaussiana padrão (1eff = ∞) ou
distribuição-t (1eff < ∞).
JCGM 101:2008
——————————————————————————
28
Figura 3 – Ilustração da lei de propagação de incertezas para J = 3 grandezas de entrada
independentes (5.4.4 e 5.6.3).
5.7 Condições para aplicação válida da metodologia de incerteza do GUM para modelos
lineares
5.7.1 Nenhuma condição é necessária para a aplicação válida da lei de propagação de
incertezas a modelos lineares (modelos que são lineares nos U). 5.7.2 De acordo com a informação fornecida no GUM, um intervalo de abrangência pode ser
determinado nas seguintes condições:
a) a equação de Welch-Satterthwaite é adequada para calcular o número de graus de
liberdade efetivos associado a �(�) [GUM G.4.1] quando um ou mais dos �(OU) têm um
número de graus de liberdade associado finito;
b) os U são independentes, nos casos em que os números de graus de liberdade associados
aos �(OU) são finitos;
c) a FDP de � pode ser aproximada adequadamente por uma distribuição gaussiana ou por
uma distribuição-t escalada e deslocada.
NOTA 1 A condição a) é necessária para que � possa ser caracterizada por uma distribuição-t escalada
e deslocada apropriada.
NOTA 2 A condição b) é necessária porque o GUM não trata U que não sejam independentes em
conjunto com graus de liberdade finitos.
NOTA 3 A condição c) é satisfeita quando a cada U está associada uma distribuição gaussiana. É
satisfeita também quando as condições para o teorema do limite central [GUM G.2] são válidas.
NOTA 4 A metodologia de incerteza do GUM pode não ser válida quando houver um U com
distribuição atribuída não gaussiana e cuja contribuição para �(�) seja dominante.
JCGM 101:2008
——————————————————————————
29
5.7.3 Quando as condições em 5.7.2 são válidas, espera-se que os resultados da aplicação da
metodologia de incerteza do GUM sejam válidos para modelos lineares. Essas condições se
aplicam em muitas circunstâncias.
5.8 Condições para aplicação válida da metodologia de incerteza do GUM para modelos
não-lineares
5.8.1 A lei de propagação de incertezas pode ser aplicada de forma válida para modelos não-
lineares nas seguintes condições:
a) Y é continuamente diferenciável em relação aos elementos U de D na vizinhança das
melhores estimativas OU dos U; b) a condição a) aplica-se a todas as derivadas até a ordem apropriada;
c) os U envolvidos em termos de ordem superior significativos de uma aproximação de série
de Taylor para Y(D) são independentes;
d) as FDPs atribuídas aos U envolvidos em termos de ordem superior de uma aproximação da
série Taylor para Y(D) são gaussianas;
e) os termos de ordem superior que não estão incluídos na aproximação da série de Taylor
para Y(D) são insignificantes.
NOTA 1 A condição a) é necessária para a aplicação da lei de propagação de incertezas com base em
uma aproximação da série de Taylor de primeira ordem para Y(D) quando a não-linearidade de Y é
insignificante [GUM 5.1.2].
NOTA 2 A condição b) é necessária para a aplicação da lei de propagação de incertezas com base em
uma aproximação da série de Taylor de ordem superior para Y(D) [GUM 5.1.2]. Uma expressão para os
termos mais importantes de ordem superior subsequente a ser incluída é fornecida no GUM [GUM 5.1.2
NOTA].
NOTA 3 A condição c) refere-se à declaração contida no GUM [GUM 5.1.2 NOTA] relativa a uma
significante não-linearidade do modelo no caso de U independentes. Neste contexto, o GUM não
considera U que não sejam independentes.
NOTA 4 A condição d) constitui uma correção para a declaração contida no GUM [GUM 5.1.2 NOTA]
de que a versão da lei de propagação de incertezas usando termos de ordem superior se baseia na
simetria das FDPs para os U [ 19, 27].
NOTA 5 Se a determinação analítica das derivadas superiores, exigidas quando a não-linearidade do
modelo é significativa, é difícil ou propensa a erros, um software adequado para diferenciação
automática pode ser utilizado. Alternativamente, estas derivadas podem ser aproximadas
JCGM 101:2008
——————————————————————————
30
numericamente usando-se diferenças finitas [5]. (O GUM fornece uma fórmula de diferença finita para
derivadas parciais de primeira ordem [GUM 5.1.3 NOTA 2].) Contudo, deve-se tomar cuidado quanto aos
efeitos de cancelamento subtrativo quando se formam diferenças entre valores do modelo que sejam
numericamente próximos.
5.8.2 Um intervalo de abrangência pode ser determinado, em termos das informações
fornecidas no GUM, quando as condições a), b) e c) em 5.7.2 se aplicam, com a ressalva de que
o conteúdo da NOTA 3 nesse mesmo subitem seja substituído por “A condição c) é necessária
para que os intervalos de abrangência possam ser determinados a partir dessas distribuições”.
5.8.3 Quando as condições em 5.8.1 e 5.8.2 são válidas, é de se esperar que os resultados da
aplicação da metodologia de incerteza do GUM sejam válidos para modelos não-lineares. Essas
condições se aplicam em muitas circunstâncias.
5.9 Abordagem de Monte Carlo nas etapas de propagação e resumo
5.9.1 O MMC fornece uma abordagem geral para se obter uma representação numérica
aproximada r , digamos, da função distribuição ](Z) para � [32, p. 75]. A essência da
abordagem é a realização de repetidas amostragens das FDPs para os U e a avaliação numérica
do modelo em cada caso.
5.9.2 Uma vez que ](Z) codifica todas as informações conhecidas sobre � , qualquer
propriedade de �, como esperança, variância e intervalos de abrangência, pode ser obtida
aproximadamente usando-se r. A qualidade desses possíveis resultados calculados melhora
com o aumento do número de vezes que as FDPs são amostradas.
5.9.3 Esperanças e variâncias, e momentos superiores, podem ser determinados diretamente
a partir do conjunto de valores obtidos do modelo. A determinação de intervalos de
abrangência exige que esses valores do modelo sejam ordenados.
5.9.4 Se �C, para � = 1,… ,s, representam s valores de modelo de uma distribuição de
probabilidade para �, independentemente amostrados, então a esperança <(�) e a variância @(�) podem ser aproximadamente obtidas usando os �C . Em geral, os momentos de �
[incluindo <(�) e @(�) ] são aproximados por aqueles valores de modelo amostrados.
Considere que st9 indica o número de valores de �C que não são maiores que �9, sendo este
qualquer número prescrito. A probabilidade Pr(� ≤ �9) é aproximada por st9/s . Desta
forma, os �C fornecem uma aproximação de função degrau (semelhante a um histograma) para
a função distribuição ](Z).
JCGM 101:2008
——————————————————————————
31
5.9.5 Cada �C é obtido pela amostragem aleatória a partir de cada uma das FDPs para os U e
pela avaliação do modelo nos valores amostrados assim obtidos. r, a saída primária do MMC,
constitui os �C organizados em ordem estritamente crescente.
NOTA É remota a possibilidade de que existam igualdades entre os �C. Caso isso ocorra, pequenas
perturbações adequadas feitas nos �C permitiriam que os �C fossem organizados em ordem
estritamente crescente. Ver 7.5.1.
5.9.6 O MMC como uma implementação da propagação de distribuições é mostrado
esquematicamente na Figura 4 para um valor de s previamente escolhido (ver 7.9 para um
procedimento alternativo). O MMC pode ser descrito como um procedimento passo-a-passo:
a) selecionar o número s de iterações de Monte Carlo a serem executadas. Ver 7.2;
b) gerar s vetores, por amostragem das FDPs associadas, como realizações das (J) grandezas
de entrada U. Ver 7.3;
c) para cada vetor, calcular o valor de modelo correspondente �, obtendo-se s valores de
modelo. Ver 7.4;
d) organizar estes s valores em ordem estritamente crescente, usando os valores organizados
para gerar r. Ver 7.5;
e) usar r para formar uma estimativa � de � e uma incerteza-padrão �(�) associada a �. Ver
7.6;
f) usar r para formar um intervalo de abrangência apropriado para �, para uma probabilidade
de abrangência e estipulada. Ver 7.7.
NOTA 1 O subitem 6.4 e o anexo C fornecem informações sobre a amostragem a partir de
distribuições de probabilidade.
NOTA 2 Matematicamente, a média dos s valores de modelo é uma realização de uma variável
aleatória com esperança <(�) e variância @(�)/s. Assim, espera-se que o grau de concordância entre
essa média e <(�) seja proporcional a s$�/�.
NOTA 3 O passo e) pode ser equivalentemente executado usando os s valores de modelo não
organizados. É necessário organizar estes valores de modelo para determinar o intervalo de abrangência
no passo f).
5.9.7 A efetividade do MMC na determinação de �, �(�) e do intervalo de abrangência para � depende do uso de um valor adequadamente grande de s (passo a) em 5.9.6). Orientações
para a obtenção de tais valores e, de forma geral, para a implementação do MMC, estão
disponíveis em [7]. Ver também 7.2 e 7.9.
JCGM 101:2008
——————————————————————————
32
5.10 Condições para aplicação válida do método de Monte Carlo descrito
5.10.1 A propagação de distribuições implementada pelo uso do MMC pode ser validamente
aplicada, e as informações requeridas no resumo subsequentemente determinadas, usando a
abordagem fornecida neste Suplemento, sob as seguintes condições:
a) Y é contínua com respeito aos elementos U de D na vizinhança das melhores estimativas OU de U; b) a função distribuição para � é contínua e estritamente crescente;
c) a FDP para � é
1) contínua ao longo do intervalo para o qual esta FDP é estritamente positiva,
2) unimodal (de pico único), e
3) estritamente crescente (ou zero) à esquerda da moda e estritamente decrescente (ou zero) à
direita da moda;
d) <(�) e @(�) existem;
e) é usado um valor suficientemente grande de s.
NOTA 1 Com relação à condição a), nenhuma condição para as derivadas de Y é necessária.
NOTA 2 As condições a) e b) são necessárias para assegurar que a inversa da função distribuição seja
única e, portanto, intervalos de abrangência possam ser determinados. Somente a condição a) é
necessária se um intervalo de abrangência não é requerido.
NOTA 3 A condição c) é necessária somente quando o mínimo intervalo de abrangência deve ser
determinado. Neste caso, a condição é necessária para assegurar que o mínimo intervalo de abrangência
correspondente a uma probabilidade de abrangência estipulada seja único. A moda pode ocorrer num
ponto extremo do intervalo no qual essa FDP é estritamente positiva, caso em que uma das duas
condições em 3) é irrelevante.
NOTA 4 A condição d) é necessária para convergência (estocástica) do MMC quando se aumenta o
número s de iterações (ver 7.2).
NOTA 5 A condição e) é necessária para assegurar que as informações do resumo sejam confiáveis.
Ver 8.2.
JCGM 101:2008
——————————————————————————
33
Figura 4 – Etapas de propagação e resumo de avaliação de incerteza usando o MMC para
implementar a propagação de distribuições (5.9.6, 7.1)
5.10.2 Quando as condições em 5.10.1 se aplicam, espera-se que os resultados da aplicação
da propagação de distribuições implementada em termos do MMC sejam válidos. Essas
condições são menos restritivas que aquelas (ver 5.7 e 5.8) para aplicação da metodologia de
incerteza do GUM.
5.11 Comparação entre a metodologia de incerteza do GUM e o método de Monte Carlo
aqui descrito
FDP conjunta �D(E) para
grandezas de entrada D
Subitem 6
probabilidade de
abrangência e
Termo 3.1.3
modelo � = Y(D)
Subitem 4.1
número s de iterações
de Monte Carlo
Subitem 7.2
s vetores M�, … , Mu amostrados
de �D(E) Subitem 7.3
s valores de modelo �C = Y(MC), � = 1,… ,s
Subitem 7.4
representação discreta r de função
distribuição para grandeza de saída �
Subitem 7.5
estimativa � de � e incerteza-
padrão associada �(�) Subitem 7.6
intervalo de abrangência
[�inf , �sup] para �
Subitem 7.7
propagação do MMC:
amostragem da FDP conjunta
para as grandezas de entrada
e avaliação do modelo para
entradas do MMC
saída primária do MMC:
função distribuição para a
grandeza de saída
resumo do MMC
JCGM 101:2008
——————————————————————————
34
5.11.1 A finalidade deste subitem é comparar os princípios nos quais estão baseados a
metodologia de incerteza do GUM e o MMC como uma implementação da propagação de
distribuições. Este subitem incentiva também o uso do MMC em circunstâncias em que é
questionável se é válida a aplicação da metodologia de incerteza do GUM.
5.11.2 Para fins de comparação entre a metodologia de incerteza do GUM e o MMC, é útil
rever as considerações do GUM com relação a avaliações de incerteza do Tipo A e do Tipo B.
Quanto a avaliações do Tipo A, o GUM fornece orientação para obtenção da melhor estimativa
de uma grandeza e de sua incerteza-padrão associada por meio da média e de seu desvio-
padrão associado, obtidos de um conjunto de indicações independentes da grandeza. Para
avaliações do Tipo B, é usado conhecimento prévio sobre a grandeza para caracterizá-la por
uma FDP, a partir da qual uma melhor estimativa e sua incerteza-padrão associada são
determinadas. O GUM declara que ambos os tipos de avaliação são baseados em distribuições
de probabilidades [GUM 3.3.4], e que ambas abordagens empregam interpretações de
probabilidade bem reconhecidas [GUM 3.3.5]. As FDPs são consideradas pelo GUM como apoio
para a avaliação de incerteza: no contexto da lei de propagação de incertezas, o Guia refere-se
explicitamente às grandezas de entrada e saída como sendo descritas ou caracterizadas por
distribuições de probabilidade [GUM G.6.6]. Ver também 5.1.2.
5.11.3 A metodologia de incerteza do GUM não determina explicitamente uma FDP para a
grandeza de saída. No entanto, a distribuição de probabilidade usada por essa metodologia
para caracterizar a grandeza de saída é algumas vezes referida, neste Suplemento, como
“fornecida pela” ou “resultante da” metodologia de incerteza do GUM.
5.11.4 Esse Suplemento tenta fornecer uma abordagem que seja tão consistente com o GUM
quanto possível, especialmente com relação ao uso de FDPs para todas das grandezas, mas,
quando apropriado, diverge dessa abordagem de uma forma claramente identificada. Essas
divergências são:
a) FDPs são explicitamente atribuídas a todas as grandezas de entrada U (em vez de
associarem-se incertezas-padrão a estimativas OU de U ) com base nas informações
concernentes a essas grandezas. A classificação em avaliações de incerteza do Tipo A e Tipo
B não é necessária;
b) coeficientes de sensibilidade [GUM 5.1.3] não são uma parte inerente da abordagem (do
MMC), e assim o cálculo ou a aproximação numérica das derivadas parciais do modelo com
relação aos U não são necessários. No entanto, aproximações para os coeficientes de
sensibilidade podem ser fornecidas, o que corresponde a se levar em conta todos os termos
de maior ordem na expansão da série de Taylor do modelo (anexo B);
JCGM 101:2008
——————————————————————————
35
c) uma representação numérica da função distribuição para �, definida completamente pelo
modelo e pelas FDPs para os U , é obtida, não se restringindo, no entanto, a uma
distribuição gaussiana ou a uma distribuição-t escalada e deslocada;
d) como a FDP para � não é geralmente simétrica, um intervalo de abrangência para � não é
necessariamente centrado na estimativa de �. Desta forma, é necessária uma cuidadosa
avaliação quando da escolha do intervalo de abrangência correspondente a uma
probabilidade de abrangência especificada.
5.11.5 Uma vez que a metodologia de incerteza do GUM usa explicitamente somente as
melhores estimativas OU e as incertezas associadas (e covariâncias e números de graus de
liberdade, quando apropriado), ela fica restringida na informação que pode fornecer sobre �.
Limita-se, essencialmente, a fornecer uma estimativa � de � e a incerteza-padrão �(�) associada com � e, talvez, o número (efetivo) de graus de liberdade correspondente. � e �(�) serão válidos para um modelo que é linear em . Qualquer outra informação sobre �, por
exemplo, intervalos de abrangência, é obtida usando-se pressupostos adicionais como, por
exemplo, que a distribuição para � é gaussiana ou é uma distribuição-t escalada e deslocada.
5.11.6 Algumas características do MMC são
a) redução do esforço de análise requerido para modelos complicados ou não-lineares,
especialmente porque as derivadas parciais dos termos de primeira ordem ou superior,
usados na obtenção dos coeficientes de sensibilidade para a lei de propagação de
incertezas, não são necessárias,
b) estimativa geralmente melhorada de � para modelos não-lineares (cf. [GUM 4.1.4]),
c) melhor avaliação da incerteza-padrão associada com a estimativa de � para modelos não-
lineares, especialmente quando FDPs não gaussianas (e.g. assimétricas) são atribuídas aos U, sem haver necessidade de calcular derivadas de ordem superior [GUM 5.1.2 NOTA],
d) provimento de um intervalo de abrangência correspondente a uma probabilidade de
abrangência estipulada quando a FDP para � não pode ser adequadamente aproximada por
uma distribuição gaussiana ou uma distribuição-t escalada e deslocada, ou seja, quando o
teorema central do limite não se aplica [GUM G.2.1, G.6.6]. Tal aproximação inadequada
pode surgir quando (1) a FDP associada a um U dominante não é uma distribuição
gaussiana ou uma distribuição-t escalada e deslocada, (2) o modelo é não-linear, ou (3) o
erro de aproximação que decorre do uso da equação de Welch-Satterthwaite para
determinação do número de graus de liberdade efetivos não é desprezível, e
JCGM 101:2008
——————————————————————————
36
e) não há necessidade de um fator de abrangência [GUM 2.3.6] para a determinação de um
intervalo de abrangência.
6 Funções densidade de probabilidade para as grandezas de entrada
6.1 Generalidades
6.1.1 Este item fornece, em algumas ocorrências bastante comuns, orientação para a
atribuição de FDPs às grandezas de entrada U na etapa de formulação da avaliação de
incerteza. Essa é uma tarefa que pode ser realizada com base no teorema de Bayes [20] ou no
princípio de máxima entropia. [8, 26, 51, 56].
NOTA Em certas circunstâncias, alguma outra abordagem pode ser útil para a atribuição de uma FDP.
Em qualquer caso, como em toda matéria científica, a razão que levou à tomada da decisão deve ser
registrada.
6.1.2 Geralmente, uma FDP conjunta �D(E) é atribuída às grandezas de entrada D =(�, … , Q)T. Ver 6.4.8.4 NOTA 2.
6.1.3 Quando os U são independentes, FDPs ��\(�U) são-lhes atribuídas individualmente
com base em uma análise de uma série de indicações (avaliação de incerteza do Tipo A) ou em
julgamento científico usando outras informações [50], tais como dados históricos, calibrações, e
julgamento de especialistas (avaliação de incerteza do Tipo B) [GUM 3.3.5].
6.1.4 Quando alguns dos U são mutuamente independentes, FDPs são-lhes atribuídas
individualmente e, para os demais, é atribuída uma FDP conjunta.
NOTA Pode ser possível remover algumas ou todas as dependências reescrevendo grandezas de
entrada relevantes em termos de grandezas de entrada independentes mais fundamentais das quais as
grandezas de entrada originais dependem [GUM F.1.2.4, H.1.2]. Tais alterações podem simplificar tanto
a aplicação da lei de propagação de incertezas quanto a aplicação da propagação de distribuições.
Detalhes e exemplos estão disponíveis em [15].
6.1.5 Informação relevante para a atribuição de FDPs aos U está disponível [GUM 4.3].
6.1.6 Orientação completa para atribuição de FDPs individuais ou conjuntas para os U está
além do escopo deste Suplemento. As FDPs atribuídas retratam o conhecimento e a expertise
do metrologista que formula o modelo, configurando-se como principal responsável pela
qualidade dos resultados finais.
6.1.7 Um texto padrão sobre distribuições de probabilidade encontra-se em Evans, Hastings
e Peacock [18].
JCGM 101:2008
——————————————————————————
37
6.2 Teorema de Bayes
6.2.1 Suponha-se que a informação sobre uma grandeza de entrada consiste de uma série
de indicações consideradas como realizações de variáveis aleatórias independentes e
identicamente distribuídas, caracterizadas por uma FDP especificada, porém com esperança e
variância desconhecidas. O teorema de Bayes pode ser usado para calcular uma FDP para ,
onde é considerado como sendo igual à média desconhecida dessas variáveis aleatórias. O
cálculo se processa em duas etapas. Primeiro, uma FDP não-informativa conjunta prévia (pré-
dados) é atribuída à esperança e à variância desconhecidas. Usando o teorema de Bayes, essa
FDP conjunta anterior é então atualizada, baseada na informação provida pela série de
indicações, para fornecer uma FDP posterior (pós-dados) para os dois parâmetros
desconhecidos. A FDP posterior desejada para a média desconhecida é então calculada como
uma FDP marginal pela integração sobre os valores possíveis das variâncias desconhecidas (ver
6.4.9.2).
6.2.2 Com o uso do teorema de Bayes, a atualização é realizada pela formação do produto de
uma função de verossimilhança com a FDP prévia [20]. A função de verossimilhança, no caso de
indicações obtidas independentemente, é o produto de funções, uma função para cada
indicação e idêntica em forma, por exemplo, a uma FDP gaussiana. A FDP posterior é então
determinada pela integração do produto da FDP prévia com a verossimilhança em todos os
valores possíveis da variância e normalizando-se a expressão resultante.
NOTA 1 Em alguns casos (e.g. como em 6.4.11), as variáveis aleatórias, cujas indicações são
consideradas como realizações, são caracterizadas por uma FDP com parâmetro único. Em tais casos,
uma FDP prévia não-informativa é atribuída à esperança desconhecida das variáveis aleatórias, e a
distribuição posterior para é dada diretamente pelo teorema de Bayes, sem a necessidade de FDPs
marginais.
NOTA 2 O teorema de Bayes pode também ser aplicado em outras circunstâncias, por exemplo,
quando a esperança e o desvio-padrão são desconhecidos e iguais.
6.3 Princípio de máxima entropia
6.3.1 Quando se usa o princípio de máxima entropia, introduzido por Jaynes [25], uma única
FDP é selecionada entre todas as FDPs possíveis com propriedades especificadas, e.g.
momentos centrais especificados de ordens diferentes ou intervalos especificados em que a
FDP é diferente de zero. Este método é particularmente útil para atribuir FDPs a grandezas em
que uma série de indicações não está disponível ou a grandezas que não tenham sido
explicitamente medidas.
JCGM 101:2008
——————————————————————————
38
6.3.2 Na aplicação do princípio de máxima entropia para obtenção de uma FDP �z(�) que,
considerando a informação disponível, caracterize adequadamente um conhecimento
incompleto sobre a grandeza , a integral
{A�B = −4�z (�) ln �z(�)d�,
que define a “entropia de informação”, introduzida por Shannon [48], é maximizada
considerando restrições impostas pela informação.
6.4 Atribuição de função densidade de probabilidade em algumas circunstâncias comuns
6.4.1 Generalidades
Os subitens 6.4.2 a 6.4.11 tratam da atribuição de FDPs a grandezas com base em vários tipos
de informação disponíveis sobre as mesmas. São dados, para cada FDP ��(�),
a) fórmulas para a esperança e a variância de , e
b) como proceder para realizar amostragens de ��(�). A Tabela 1 facilita o uso desses subitens e também ilustra as FDPs correspondentes.
NOTA Essas ilustrações das FDPs não estão desenhadas em escala. A FDP gaussiana multivariada não
está ilustrada.
6.4.2 Distribuições retangulares
6.4.2.1 Se a única informação disponível a respeito de uma grandeza é um limite inferior }
e um limite superior ~, com } < ~, então, de acordo com o princípio de máxima entropia, uma
distribuição retangular R(}, ~) no intervalo A}, ~B deve ser atribuída a .
6.4.2.2 A FDP para é
��(�) = �1/(~ − }),} ≤ � ≤ ~,0,outrosvaloresde�. 6.4.2.3 A esperança e a variância de são
<() = �.�� , @() = (�$�)0�� . (2)
6.4.2.4 Para realizar uma amostragem a partir de R(}, ~) tome aleatoriamente valores �
provenientes da distribuição retangular padronizada R(0,1) (ver C.3.3) e obtenha
� = } + (~ − })�.
JCGM 101:2008
——————————————————————————
39
6.4.3 Distribuições retangulares com limites prescritos não exatos
6.4.3.1 Sabe-se que uma grandeza situa-se entre os limites � e � com � < �, que o
ponto médio (� + �)/2 do intervalo definido por esses limites é fixo, e que o comprimento �– � do intervalo não é exatamente conhecido. Sabe-se também que � está no intervalo } ±� e � no intervalo ~ ± � , sendo } , ~ e � especificados, com � > 0 e } + � < ~ − � . Se
nenhuma outra informação a respeito de , � e � está disponível, o princípio de máxima
entropia pode ser aplicado para atribuir a um “trapezoide curvilíneo” (uma distribuição
retangular com limites prescritos não exatos).
6.4.3.2 A FDP para é
��(�) = ��������ln �
�.�z$# � ,} − � ≤ � ≤ } + �,ln ��.��$�� ,} + � < � < ~ − �,ln ��.�#$z � ,~ − � ≤ � ≤ ~ + �,0,outrosvaloresde�,
(3)
onde O = (} + ~)/2 e � = (~ − })/2 são, respectivamente, o ponto médio e a semi-largura do
intervalo A}, ~B [GUM 4.3.9 NOTA 2]. Essa FDP é semelhante a uma FDP trapezoidal, porém
possui lados que não são linhas retas.
Tabela 1 – Informação disponível e a FDP atribuída com base nessa informação (6.4.1, C.1.2)
Informação disponível FDP atribuída e ilustração (escala arbitrária) Subitem
Limites inferior e superior }, ~ Retangular: R(}, ~) 6.4.2
Limites inferior e superior não exatos } ± �, ~ ± �
Trapezoide curvilíneo: CTrap(}, ~, �) 6.4.3
Soma de duas grandezas com distribuições retangulares atribuídas com limites inferiores }�, ~� e limites superiores }�, ~�
Trapezoidal: Trap(}, ~, �) com } = }� + }�, ~ = ~� +~�, � = |(~�–}�)– (~�– }�)|/(~– }) 6.4.4
Soma de duas grandezas com distribuições retangulares atribuídas com limites inferiores }�, ~� e superiores }�, ~� e mesma semi-largura (~� − }� = ~� − }�)
Triangular: T(}, ~) com } = }� + }�, ~ = ~� +~� 6.4.5
JCGM 101:2008
——————————————————————————
40
Sinusoidal entre limites inferior e superior }, ~
Arco seno (formato de U): U(}, ~) 6.4.6
Melhor estimativa O e incerteza-padrão associada �(O)
Gaussiana: N(O, ��(O)) 6.4.7
Melhor estimativa M de uma grandeza vetorial e matriz de incerteza associada LM
Gaussiana multivariada: J(M,LM)
6.4.8
Séries de indicações O�, . . . , O� amostradas independentemente de uma grandeza com distribuição gaussiana e esperança e variância desconhecidas
Distribuição-t escalada e deslocada: 5�$�(O,� �� �⁄ ), com O = ∑ OU �⁄�U�� ,
�� =�(OU − O)� (� − 1)⁄�U�� 6.4.9.2
Melhor estimativa O, incerteza expandida ij, fator de
abrangência �j e número efetivo
de graus de liberdade νeff
Distribuição-t escalada e deslocada: 5-eff "O, Vij �j⁄ X�& 6.4.9.7
Melhor estimativa O de uma grandeza não-negativa
Exponencial: Ex(1/O) 6.4.10
Número ¡ de objetos contados Gama: G(¡ + 1, 1)
6.4.11
NOTA Para implementação computacional, a fórmula (3) pode ser expressa como
�z(�) = ���max"ln �.�¤¥¦(|#$z|,�$�) , 0&.
6.4.3.3 A esperança e a variância de são
<() = �.�� , @() = (�$�)0�� + �0§ . (4)
NOTA 1 A variância, na expressão (4), é sempre maior do que a variância para o caso de limites exatos
na expressão (2), isto é, quando � = 0.
NOTA 2 O GUM trata a informação acerca de em 6.4.3.1 atribuindo um número efetivo de graus de
liberdade para a incerteza-padrão associada à melhor estimativa de [GUM G.4.2].
6.4.3.4 Para amostrar a partir de CTrap(}, ~, �) tome, aleatória e independentemente, dois valores �� e �� provenientes de uma distribuição retangular padrão R(0,1) (ver C.3.3), e obtenha
}¨ = (} − �) + 2���, ~¨ = (} + ~) − }¨,
JCGM 101:2008
——————————————————————————
41
e � = }¨ + (~¨ − }¨)��.
NOTA }¨ é um valor amostral de uma distribuição retangular com limites } ± �. ~¨ é então obtido
para assegurar que o ponto médio entre }¨ e ~¨ seja o valor O = (} + ~)/2 prescrito.
EXEMPLO Um certificado declara que uma tensão elétrica está no intervalo de 10,0V ± 0,1V.
Nenhuma outra informação a respeito de está disponível, exceto que se acredita que as magnitudes
dos pontos extremos do intervalo resultam do correto arredondamento de um determinado valor
numérico (ver 3.20). Com base nisso, esse valor numérico situa-se entre 0,05V e 0,15V, uma vez que o
valor numérico de cada ponto no intervalo (0,05, 0,15), arredondado para um algarismo decimal
significativo, é 0,1. A localização do intervalo pode, portanto, ser considerada fixa, embora sua largura
não seja exata. A melhor estimativa de é O = 10V e, usando-se a expressão (4), considerando } =9,9V, ~ = 10,1V e � = 0,05V, a incerteza-padrão associada a �(O) é dada por
��(O) = (9,�)0�� + (9,9¬)0§ = 0,0036.
Assim, �(O) = (0,0036)� �⁄ = 0,060V, que, no caso de limites exatos, pode ser comparado com 0,2 √12⁄ = 0,058V, quando se utiliza � igual a zero. O uso de limites exatos neste caso fornece um
valor numérico para �(O) que é 4% menor do que quando se usam limites não exatos. A relevância de
tal diferença precisa ser considerada no contexto da aplicação.
6.4.4 Distribuições Trapezoidais
6.4.4.1 A atribuição de uma distribuição simétrica trapezoidal a uma grandeza é discutida
em [GUM 4.3.9]. Suponha que uma grandeza seja definida como a soma de duas grandezas
independentes � e �. Suponha também que, para k = 1 e k = 2, seja atribuída a U uma
distribuição retangular R(}U, ~U) com limite inferior a }U e limite superior ~U . Então, a
distribuição-Trap(}, ~, �) para X é uma distribuição-trapezoidal simétrica com limite inferior },
limite superior ~ e um parâmetro � igual à razão entre as semi-larguras do topo e da base do
trapezoide. Os parâmetros dessa distribuição-trapezoidal estão relacionados aos parâmetros da
distribuição retangular por
} = }� + }�,~ = ~� + ~�,� = ¯°¯0, (5)
onde
±� = |(�°$�°)$(�0$�0)|� ,±� = �$�� , (6)
e
0 ≤ ±� ≤ ±�.
6.4.4.2 A FDP para (Figura 5), obtida usando-se convolução [42, p. 93], é
JCGM 101:2008
——————————————————————————
42
��(�) = ���(� − O + ±�) (±�� − ±��),O − ±� ≤ � < O − ±�,⁄1 (±� + ±�)⁄ ,O − ±� ≤ � ≤ O + ±�,(O + ±� − �) (±�� − ±��),⁄ O + ±� < � ≤ O + ±�,0,outrosvaloresde�,
(7)
onde O = (} + ~) 2⁄ .
NOTA Para implementação computacional, a Fórmula (7) pode ser expressa como
��(�) = 1±� + ±�min² 1±� − ±�max(±� − |� − O|, 0), 1³.
Figura 5 — FDP trapezoidal para = � + �, na qual as FDPs para � e � são retangulares
(6.4.4.2)
6.4.4.3 A esperança e a variância de são
<() = } + ~2 ,@() = (~ − })�24 (1 + ��). 6.4.4.4 Para realizar uma amostragem a partir de Trap(}, ~, �) tome, aleatória e
independentemente, dois valores �� e ��, provenientes da distribuição retangular padrão R(0,1) (ver C.3.3), e obtenha
� = } + �$�� A(1 + �)�� + (1 − �)��B. 6.4.5 Distribuições Triangulares
6.4.5.1 Suponha uma grandeza definida como a soma de duas grandezas independentes,
sendo a cada uma atribuída uma distribuição retangular (ver 6.4.4), porém com semi-larguras
iguais, isto é, ~� − }� = ~� − }�. Segue-se das expressões (5) e (6) que ±� = 0 e � = 0. A
distribuição para é a distribuição-trapezoidal Trap(}, ~, 0), a qual se reduz à distribuição-
triangular (simétrica) T(}, ~) no intervalo A}, ~B. 6.4.5.2 A FDP para é
JCGM 101:2008
——————————————————————————
43
��(�) = µ(� − }) ��, } ≤ � ≤ O,⁄(~ − �) ��, O < � ≤ ~,⁄0,outrosvaloresde�, (8)
onde O = (} + ~) 2⁄ e � = ±� = (~ − }) 2⁄ .
NOTA Para implementação computacional, a Fórmula (8) pode ser expressa como
��(�) = 2~ − }max¶1 − 2|� − O|~ − } , 0·. 6.4.5.3 A esperança e a variância de são
<() = �.�� ,@() = (�$�)0�� .
6.4.5.4 Para realizar uma amostragem a partir de T(}, ~) tome, aleatória e
independentemente, dois valores �� e �� , provenientes de uma distribuição retangular
padronizada R(0,1) (ver C.3.3), e obtenha
� = } + ~ − }2 (�� + ��). 6.4.6 Distribuições arco seno (formato de U)
6.4.6.1 Se uma grandeza for conhecida por variar sinusoidalmente, com fase ¸
desconhecida, entre limites especificados } e ~, com } < ~, então, de acordo com o princípio
da máxima entropia, deve ser atribuída a ¸ uma distribuição retangular R(0, 2¹). A distribuição
atribuída a é a distribuição arco seno U(}, ~) [18], dada pela transformação
= } + ~2 + ~ − }2 sen¸, onde ¸ tem a distribuição retangular R(0, 2¹). 6.4.6.2 A FDP para é
��(�) = �(2 ¹⁄ )A(~ − })� − (2� − } − ~)�B$� �⁄ ,} < � < ~,0,outros valores de �. NOTA U(}, ~) está relacionada à distribuição arco seno padronizada U(0, 1) dada, na variável Z, por
�º(3) = � A3(1 − 3)B$� �⁄ ¹⁄ , 0 < 3 < 1,0,outros valores de 3. (9)
através da transformação linear
JCGM 101:2008
——————————————————————————
44
= } + (~ − })Ζ.
em que a esperança de ¼ é 1/2 e sua variância é 1/8. A distribuição (9) é denominada distribuição arco
seno, uma vez que a função distribuição correspondente é
½(3) = �� arc sen(23 − 1) + ��.
Este é um caso especial da distribuição beta com ambos os parâmetros iguais a 1/2.
6.4.6.3 A esperança e a variância de são
<() = } + ~2 ,@() = (~ − })�8 . 6.4.6.4 Para realizar uma amostragem a partir de U(}, ~), tome aleatoriamente valores �
provenientes de uma distribuição retangular padronizada R(0,1) (ver C.3.3) e obtenha
� = } + ~2 + ~ − }2 sen 2¹�. 6.4.7 Distribuições gaussianas
6.4.7.1 Se as únicas informações disponíveis a respeito de uma grandeza são uma melhor
estimativa O e a incerteza-padrão associada �(O), então, de acordo com o princípio da máxima
entropia, deve-lhe ser atribuída uma distribuição de probabilidade gaussiana N(O, ��(O)). 6.4.7.2 A FDP para é
��(�) = �√��¿(z) exp "− (#$z)0�¿0(z)&. (10)
6.4.7.3 A esperança e a variância de são
<() = O,@() = ��(O). 6.4.7.4 Para amostrar a partir de NVO, ��(O)X tome aleatoriamente valores 3 provenientes
da distribuição gaussiana padronizada N(0,1) (ver C.4) e obtenha
� = O + �(O)3. 6.4.8 Distribuições gaussianas multivariadas
JCGM 101:2008
——————————————————————————
45
6.4.8.1 Um resultado comparável àquele obtido em 6.4.7.1 vale também para uma grandeza D = (�, … , Q)T, de dimensão J. Se a única informação disponível for uma melhor estimativa M = (O�, … , OQ)T de D e a matriz de incerteza associada (estritamente) positiva
LM = ÀÁÁ ��(O�) �(O�, O�)… �(O�, OQ)�(O�, O�) ��(O�)… �(O�, OQ): : :�(OQ , O�) �(OQ , O�)… ��(OQ) ÄÅ
ÅÆ, então uma distribuição gaussiana multivariada N(M,LM) deve ser atribuída a D.
6.4.8.2 A FDP conjunta para D é
��(�) = �A(��)ÇdetLMB° 0⁄ exp ²− �� (E − M)TLM$�(E − M)³. (11)
6.4.8.3 A esperança e a matriz de covariância de D são
<(D) = M,@(D) = LM.
6.4.8.4 Para amostrar a partir de N(M,LM), tome aleatoriamente J valores independentes 3U (k = 1,… ,J) provenientes da distribuição gaussiana padrão N(0,1) (ver C.4), e obtenha
E = M + ÈTÉ,
onde É = (3�, … , 3Q)T e È é a matriz triangular superior dada pela decomposição de Cholesky LM = ÈFÈ (ver C.5).
NOTA 1 Qualquer fatoração matricial dessa forma pode ser usada em lugar da decomposição de
Cholesky LM = ÈFÈ.
NOTA 2 As únicas FDPs conjuntas explicitamente consideradas neste Suplemento são as gaussianas
multivariadas, cujas distribuições são comumente usadas na prática. Um procedimento numérico para
amostragem a partir de uma FDP gaussiana multivariada é dado acima (e em C.5). Se outra FDP
multivariada tiver de ser usada, um modo para realizar a amostragem da distribuição deverá ser
fornecido.
NOTA 3 A FDP gaussiana multivariada (11) se reduz ao produto de J FDPs gaussianas univariadas
quando não há decorrências de covariâncias. Nesse caso
LM = diagV��(O�),… , ��(OQ)X,
de onde
�D(E) = ∏ �z\QU�� (�U),
JCGM 101:2008
——————————————————————————
46
com
�z\(�U) = �√��¿(z\) exp "− (#\$z\)0�¿0(z\)&.
6.4.9 Distribuições-t
6.4.9.1 Distribuições-t surgem caracteristicamente em duas circunstâncias: na avaliação de
uma série de indicações (ver 6.4.9.2), e na interpretação de certificados de calibração (ver
6.4.9.7).
6.4.9.2 Suponha que esteja disponível uma série de � indicações O�, … , O� obtidas
independentemente de uma grandeza com esperança desconhecida *9 e variância
desconhecida +9� com distribuição gaussiana N(*9, +9�). Considera-se que a grandeza de entrada
em estudo é igual a *9. Então, atribuindo uma distribuição conjunta anterior e não-
informativa a *9 e a +9�, e usando-se o teorema de Bayes, a FDP marginal para é uma
distribuição-t escalada e deslocada 5-(O, �� �⁄ ) com 1 = � − 1 graus de liberdade, onde
O = ��∑ OU�U�� , �� = ��$�∑ (OU − O)��U�� ,
são, respectivamente, a média e a variância das indicações [20].
6.4.9.3 A FDP para é
��(�) = ,(� �⁄ ),((�$�) �⁄ )Ì(�$�)� × �¨ √�⁄ ²1 + ��$� " #$z¨ √�⁄ &�³$� �⁄, (12)
onde
Γ(3) = 4 56$�89 Í$7d5, 3 > 0,
é a função gama.
6.4.9.4 A esperança e a variância de são
<() = O, @() = �$��$m ¨0� ,
onde <() é definida somente para � > 2 e @() somente para � > 3. Para � > 3, a melhor
estimativa de e sua incerteza-padrão associada são, portanto,
O = O, �(O) = Î�$��$m √� . (13)
JCGM 101:2008
——————————————————————————
47
NOTA 1 No GUM [GUM 4.2], a incerteza-padrão �(O) associada à média de uma série de � indicações
obtidas independentemente é avaliada como �(O) = � √�⁄ em vez da fórmula (13), e o número de
graus de liberdade associado 1 = � − 1 é considerado como uma medida de confiabilidade de �(O). Por
extensão, um número de graus de liberdade é associado a uma incerteza obtida de uma avaliação Tipo
B, com base em julgamento subjetivo da confiabilidade da avaliação [GUM G.4.2] (cf. 6.4.3.3 NOTA 2). O
número de graus de liberdade associado com as incertezas �(OU) é necessário para a obtenção, pela
aplicação da fórmula de Welch-Satterthwaite, do número efetivo de graus de liberdade 1eff associado à
incerteza �(�). NOTA 2 No contexto bayesiano deste Suplemento, conceitos tais como confiabilidade ou incerteza de
uma incerteza não são necessários. Assim, o número de graus de liberdade em uma avaliação de
incerteza Tipo A não é mais considerado como medida de confiabilidade, e deixa de ter significado
também o número de graus de liberdade em uma avalição Tipo B.
6.4.9.5 Para realizar uma amostragem a partir de 5-(O, �� �⁄ ), tome aleatoriamente um
valor 5 proveniente da distribuição-t centralizada 5- com 1 = � − 1 graus de liberdade [GUM
G.3] (ver também C.6) e obtenha
� = O + √� 5. 6.4.9.6 Se, em vez de um desvio-padrão � calculado de uma série simples de indicações, for
usado um desvio-padrão agrupado �p com 1p graus de liberdade obtidos de Ï grupos
�p� = �-p∑ 1WÐW�� �W�, 1p = ∑ 1WÐW�� ,
o número de graus de liberdade 1 = � − 1 da distribuição-t escalada e deslocada atribuída a
deve ser substituído pelo número de graus de liberdade 1p associado ao desvio-padrão
agrupado �p. Consequentemente, a fórmula (12) deve ser substituída por
��(�) = ΓVV1p + 1X 2⁄ XΓV1p 2⁄ XÌ1p¹ × 1�p √�⁄ Ñ1 + 11p ¶ � − O�p √�⁄ ·�Ò$V-p.�X �⁄
e as expressões (13) por
O = O = ��∑ OU�U�� , �(O) = Î -p-p$� ¨p√� V1p ≥ 3X.
6.4.9.7 Se a informação sobre a grandeza é oriunda de um certificado de calibração [GUM
4.3.1] em que são fornecidos a melhor estimativa O, a incerteza expandida ij, o fator de
abrangência �j e o número efetivo de graus de liberdade 1eff, então deve ser atribuída a uma
JCGM 101:2008
——————————————————————————
48
distribuição-t escalada e deslocada 5- "O, Vij �j⁄ X�& com um número de graus de liberdade 1
igual a 1eff. 6.4.9.8 Se 1eff é declarado como infinito, ou não é especificado, caso em que, na ausência de
outra informação, supõe-se também que seja infinito, uma distribuição gaussiana N"O, Vij �j⁄ X�& deve ser atribuída a (ver 6.4.71).
NOTA Essa distribuição é o caso limite da distribuição-t escalada e deslocada 5- "O, Vij �j⁄ X�&
quando 1 tende a infinito.
6.4.10 Distribuições Exponenciais
6.4.10.1 Se a única informação disponível sobre uma grandeza não negativa é uma melhor
estimativa O > 0 de , então, de acordo com o princípio de máxima entropia, a deve ser
atribuída uma distribuição exponencial Ex(1 O⁄ ). 6.4.10.2 A FDP para é
��(�) = � exp (−� O⁄ ) O,� ≥ 0,⁄0,outrosvaloresde�. 6.4.10.3 A esperança e a variância de são
<() = O, @() = O�.
6.4.10.4 Para realizar uma amostragem de Ex(1 O⁄ ) , tome aleatoriamente um valor �
proveniente da distribuição retangular padronizada R(0,1) (ver C.3.3) e obtenha
� = −O ln �.
NOTA Informação adicional sobre atribuição de FDPs a grandezas não negativas disponível em [14].
6.4.11 Distribuições Gama
6.4.11.1 Suponha que a grandeza seja o número médio de objetos presentes em uma
amostra de tamanho fixo (por exemplo, o número médio de partículas em uma amostra de ar
de uma sala limpa, ou o número médio de fótons emitidos por uma fonte em um intervalo de
tempo específico). Suponha também que o número de objetos contados em uma amostra de
tamanho especificado seja ¡, e que o número contado é assumido como sendo uma grandeza
com esperança desconhecida tendo uma distribuição de Poisson. Então, de acordo com o
teorema de Bayes, após atribuir uma distribuição a priori constante à esperança, deve ser
atribuída a uma distribuição gama G(¡ + 1, 1).
JCGM 101:2008
——————————————————————————
49
6.4.11.2 A FDP para é
��(�) = ��Ôexp (−�) ¡! ,� ≥ 0,⁄0,outrosvaloresde�. (14)
6.4.11.3 A esperança e a variância de são
<() = ¡ + 1,@() = ¡ + 1. (15)
6.4.11.4 Para realizar uma amostragem a partir deG(¡ + 1, 1), tome aleatoriamente ¡ +1 valores independentes �U (k = 1,… , ¡ + 1) da distribuição retangular padronizada R(0,1) (ver
C.3.3) e obtenha [18]
� = − lnÖ�U.Ô.�U��
NOTA 1 Se a contagem é realizada com várias amostras (de acordo com a mesma distribuição de
Poisson), e ¡U é o número de objetos contados na i-ésima amostra, cujo tamanho é {U , então a
distribuição para o número médio de objetos em uma amostra de tamanho { = ∑ {UU será G(d, �), com d = 1 + ∑ ¡UU e � = 1. Aplicam-se as fórmulas (14) e (15) com ¡ = ∑ ¡UU .
NOTA 2 A distribuição gama é uma generalização da distribuição qui-quadrado e é usada para
caracterizar informações associadas com variâncias.
NOTA 3 A distribuição gama particular apresentada em 6.4.11.4 é uma distribuição de Erlang obtida
pela soma de ¡ + 1 distribuições exponenciais com parâmetro 1 [18].
6.5 Distribuições de probabilidade a partir de cálculos prévios de incerteza
Um cálculo prévio de incerteza pode ter fornecido uma distribuição de probabilidade para uma
grandeza de saída que irá se tornar uma grandeza de entrada em um cálculo de incerteza
posterior. Essa distribuição de probabilidade pode estar disponível analiticamente em uma
forma reconhecida, por exemplo, como uma FDP gaussiana. Ela pode estar disponível como
uma aproximação de uma função distribuição para uma grandeza que tenha sido obtida, por
exemplo, a partir de uma aplicação anterior do MMC. Diversas maneiras de descrever tais
funções de distribuição para uma grandeza são mostradas em 7.5.1 e D.2.
7 Implementação de um método de Monte Carlo
7.1 Generalidades
JCGM 101:2008
——————————————————————————
50
Este item fornece informações sobre a implementação de um método de Monte Carlo para a
propagação de distribuições: veja o procedimento fornecido em 5.9.6 e mostrado
esquematicamente na Figura 4.
7.2 Número de iterações de Monte Carlo
7.2.1 Um valor de s, o número de iterações de Monte Carlo, ou seja, o número de
avaliações do modelo a serem feitas, deve ser selecionado. Isso pode ser feito a priori, em qual
caso não haverá controle direto sobre a qualidade dos resultados numéricos fornecidos pelo
MMC. O motivo é que o número de iterações necessárias para fornecer esses resultados com
uma tolerância numérica prescrita dependerá da “forma” da FDP da grandeza de saída e da
probabilidade de abrangência requerida. Além disso, os cálculos são de natureza estocástica,
sendo baseados em amostragem aleatória.
NOTA Um valor de s = 10× fornece, em geral, um intervalo de abrangência de 95% para a grandeza
de saída, de maneira que essa largura estará correta para um ou dois algarismos decimais significativos.
7.2.2 Deve-se escolher um valor de s que seja grande comparado com 1/(1 − e ), por
exemplo, s sendo pelo menos 10� vezes maior que 1/(1 − e ). Pode-se então esperar que r
forneça uma representação discreta e razoável de ](η) nas regiões próximas aos pontos
extremos de um intervalo de abrangência de 100e% para �.
7.2.3 Como não há garantia de que este ou qualquer número pré-escolhido específico seja
suficiente, pode-se usar um procedimento que seleciona s de forma adaptativa, isto é,
conforme o andamento das iterações. Orientações a esse respeito estão disponíveis em [2]. O
subitem 7.9 fornece tal procedimento, cuja característica principal consiste em que o número
de iterações realizadas seja economicamente consistente com a expectativa de alcançar uma
tolerância numérica requerida.
NOTA Se o modelo for complicado, envolvendo, por exemplo, a solução de um modelo de elementos
finitos, pode não ser possível usar um valor suficientemente grande de s para obter um conhecimento
adequado da distribuição da grandeza de saída, pois os tempos de computação demandados podem ser
proibitivos. Em tal caso, uma abordagem aproximada seria considerar �](η) como gaussiana (como no
GUM) e proceder da seguinte maneira. Um valor relativamente pequeno de s, 50 ou 100, por exemplo,
seria usado. A média e o desvio-padrão dos s valores de modelo resultantes de � seriam tomados
como � e �(�), respectivamente. Dada esta informação, uma FDP gaussiana �](η) = JV�, ��(�)X seria
atribuída para caracterizar o conhecimento de � (ver 6.4.7) e um intervalo de abrangência desejado
para � seria calculado. Embora o uso de um valor pequeno de s seja inevitavelmente menos confiável
do que o de um valor grande, uma vez que não fornece uma aproximação à FDP de �, ele leva em conta
a não-linearidade do modelo.
JCGM 101:2008
——————————————————————————
51
7.3 Amostragem a partir de distribuições de probabilidade
Em uma implementação de MMC, s vetores MC, � = 1,… ,s (ver 7.2), são amostrados a partir
das FDPs ��\(ξÙ) das J grandezas de entrada U. Quando apropriado, as amostragens devem
ser realizadas a partir de FDPs conjuntas �D(ξ) (multivariadas). Recomendações sobre a
maneira pela qual esta amostragem pode ser realizada são dadas no Anexo C para as
distribuições mais comuns: a retangular, a gaussiana, a distribuição-t e a gaussiana
multivariada. Ver também 6.4. É possível amostrar valores aleatoriamente de qualquer outra
distribuição. Ver C.2. Algumas dessas distribuições podem ser aproximações de distribuições
baseadas em resultados de Monte Carlo de um cálculo de incerteza anterior (ver 6.5, 7.5 e
Anexo D).
NOTA Para que os resultados do MMC sejam estatisticamente válidos é necessário que os geradores
de números pseudo-aleatórios, usados para tomar valores a partir das distribuições estipuladas, tenham
propriedades adequadas. Alguns testes para avaliação da aleatoriedade de números produzidos por um
gerador são indicados em C.3.2.
7.4 Avaliação do modelo
7.4.1 O modelo é avaliado para cada uma das s amostragens tomadas a partir das FDPs das J grandezas de entrada. Especificamente, representam-se as s amostragens por O�, … , Ou,
onde a �-ésima amostragem aleatória OC contém O�,C , … , OQ,C, com OÚ,C sendo a amostragem
feita a partir da FDP de U. Assim, os valores do modelo são
�C = Y(OC), � = 1,… ,s.
7.4.2 Modificações necessárias são feitas em 7.4.1 se os Unão são independentes e, portanto, uma FDP conjunta é a eles atribuída.
NOTA Avaliações de modelos e de derivadas são realizadas, quando se aplica a lei de propagação de
incertezas usando derivadas exatas, nas melhores estimativas das grandezas de entrada. Quando se
aplica a lei de propagação de incertezas usando aproximações numéricas (diferenças finitas) para as
derivadas, somente avaliações de modelo são realizadas. Essas avaliações são feitas, se a recomendação
do GUM [GUM 5.1.3 NOTA 2] é adotada, nas melhores estimativas das grandezas de entrada e em
pontos impactados por ± uma incerteza-padrão de cada estimativa, isoladamente. Com o MMC,
avaliações de modelo são realizadas nas vizinhanças dessas melhores estimativas, ou seja, em pontos
que podem se situar até várias incertezas-padrão distantes das estimativas. O fato de as avaliações de
modelo serem feitas, de acordo com a abordagem utilizada, em pontos diferentes, pode levantar
questões relativas ao procedimento numérico utilizado para avaliar o modelo, por exemplo, quanto à
garantia de sua convergência (quando são utilizados esquemas iterativos) e sua estabilidade numérica. O
usuário deve-se assegurar de que, quando apropriado, os métodos numéricos usados para avaliar Y
sejam válidos para uma região suficientemente grande contendo essas melhores estimativas. Apenas
ocasionalmente seria este um aspecto crítico.
JCGM 101:2008
——————————————————————————
52
7.5 Representação discreta da função distribuição para a grandeza de saída
7.5.1 Uma representação discreta G da função distribuição ](η) para a grandeza de saída �
pode ser obtida como abaixo descrito:
a) classifique os valores do modelo fornecidos pelo MMC (�C , � = 1,… ,s) em ordem não
decrescente. Denomine os valores ordenados do modelo como �(C), � = 1,… ,s;
b) faça, se necessário, pequenas perturbações numéricas para eventuais valores replicados do
modelo �(C) de tal forma que o conjunto completo resultante �(C), � = 1, … ,s forme uma
sequência estritamente crescente (cf. condição b) em 5.10.1);
c) tome r como o conjunto �(C), � = 1,… ,s.
NOTA 1 Com referência à etapa a), deve ser utilizado um algoritmo de ordenação que realize um
número de operações proporcional a slns [47]. Um algoritmo simples levaria um tempo proporcional
a s�, tornando o tempo de computação desnecessariamente longo. Veja 7.8.
NOTA 2 Na etapa a), o termo “não decrescente”, em vez de “crescente”, é usado devido a possíveis
igualdades entre valores do modelo �C.
NOTA 3 Com referência à etapa b), fazer apenas pequenas perturbações garantirá que as
propriedades estatísticas de �(C) sejam mantidas.
NOTA 4 Na etapa b), é extremamente improvável que perturbações sejam necessárias, devido à
grande quantidade de distintos números do tipo ponto flutuante que podem surgir a partir dos valores
do modelo obtidos de grandezas de entrada fornecidas por geradores de números aleatórios. Uma boa
implementação de software, entretanto, faria provisão apropriada.
NOTA 5 Com referência à etapa c), uma variedade de informações pode ser deduzida de r. Em
particular, informações complementares à esperança e ao desvio-padrão podem ser obtidas, tais como
medidas de assimetria e curtose, e ainda outras estatísticas, tais como a moda e a mediana.
NOTA 6 No caso de � se tornar grandeza de entrada para um cálculo de incerteza posterior, a
amostragem de sua distribuição de probabilidade é prontamente realizada por amostragem aleatória
com igual probabilidade, a partir de �(C), � = 1,… ,s (ver 6.5).
7.5.2 �(C) (ou �C), quando dispostos em um histograma (com larguras de célula adequadas),
formam uma distribuição de frequência que, quando normalizada para ter área unitária,
fornece uma aproximação para a FDP �](η) de �. Os cálculos não são geralmente realizados
em termos deste histograma, cuja resolução depende da escolha das larguras de células, porém
em termos de r. O histograma pode, no entanto, ser útil como uma ajuda para entender a
JCGM 101:2008
——————————————————————————
53
natureza da FDP, por exemplo, quanto à extensão de sua assimetria. Atentar, no entanto, para
a Nota 1 de 7.8.3 sobre o uso de um valor numérico grande para s.
7.5.3 Uma aproximação contínua para ](η) pode se tornar útil. O Anexo D contém um
meio para se obter tal aproximação.
7.6 Estimativa da grandeza de saída e da incerteza-padrão associada
A média
�Û = 1s��CuC�� (16)
e o desvio-padrão �(�Ü) determinado por
��(�Û) = 1s − 1�(�C − �Û)�uC�� (17)
são tomados, respectivamente, como uma estimativa � de � e a incerteza-padrão �(�) associada a �.
NOTA 1 A fórmula (17) deve ser usada no lugar da fórmula matematicamente equivalente
��(�Û) = ss − 1Ñ1s��C� −uC�� �Ü�Ò.
Para as muitas circunstâncias na metrologia em que �(�) é muito menor que |�| (em cujo caso os �C
terão um bom número de algarismos decimais em comum) a última fórmula sofre numericamente de
cancelamento subtrativo (envolvendo uma média quadrática menos um quadrado da média). Esse efeito
pode ser tão severo que o valor numérico resultante pode ter poucos dígitos decimais significativos
corretos para que a avaliação da incerteza venha a ser válida [4].
NOTA 2 Em algumas circunstâncias especiais, tais como quando a uma das grandezas de entrada foi
atribuída uma FDP baseada na distribuição-t com um número de graus de liberdade menor que três, a
esperança e o desvio-padrão de �, conforme descrito pela FDP �](η), podem não existir. As fórmulas
(16) e (17) podem não fornecer resultados com claro sentido. No entanto, um intervalo de abrangência
para � (ver 7,7) pode ser formado, uma vez que r é significativo e pode ser determinado.
NOTA 3 �Ü não concordará em geral com o modelo avaliado nas melhores estimativas das grandezas
de entrada, uma vez que, para um modelo Y(D) não-linear,<(�) = <AY(D)B ≠ YA<(D)B (cf. [GUM
4.1.4]). Independentemente do fato de Y ser linear ou não-linear, no limite em que s tende ao infinito, �Ü se aproxima de <AY(D)B, quando este existe.
JCGM 101:2008
——————————————————————————
54
7.7 Intervalo de abrangência para a grandeza de saída
7.7.1 Um intervalo de abrangência para � pode ser determinado a partir da representação
discreta r de ](η), de maneira análoga àquela descrita em 5.3.2, sendo ](η) conhecida.
7.7.2 Seja ¡ = es, se es é um inteiro. Caso contrário, tome ¡ como sendo a parte inteira
de es + 1/2. Então, ß�Úàá, �âãäå é um intervalo de abrangência de 100e% para �, em que,
para qualquer � = 1, … ,s − ¡ , �Úàá = �(C) e �âãä = �(C.Ô) . O intervalo de abrangência
probabilisticamente simétrico 100e%é dado tomando � = (s − ¡)/2, se (s − ¡)/2 for um
inteiro ou, caso contrário, a parte inteira de (s − ¡ + 1)/2. O mínimo intervalo de abrangência
de 100e% é dado pela determinação de�∗ tal que, para � = 1,… ,s − ¡, �(C∗.Ô) − �(C∗) ≤�(C.Ô) − �(C). NOTA Devido à aleatoriedade do MMC, alguns comprimentos desses s− ¡ intervalos serão menores
do que seriam em média, e alguns serão maiores. Assim, ao escolher o menor de tais comprimentos, (a
aproximação para) o mínimo intervalo de abrangência de 100e% tende a ser marginalmente mais curto
do que aquele que seria calculado a partir de ](η), com a consequência de que a probabilidade de
abrangência típica é menor que 100e%. Para valores grandes de s essa probabilidade de abrangência
é insignificantemente menor que 100e%.
EXEMPLO 10¬ números foram extraídos de um gerador de números pseudoaleatórios a partir da
distribuição retangular no intervalo [0, 1], sendo o mínimo intervalo de abrangência de 95 % formado
como descrito acima. Este exercício foi realizado 1000 vezes. A probabilidade de abrangência média foi
de 94,92 % e o desvio-padrão das 1000 probabilidades de abrangência obtidas foi de 0,06 %.
7.8 Tempo de computação
7.8.1 O tempo de computação do MMC é determinado principalmente pelo tempo
necessário para as três etapas adiante:
a) fazer s amostragens a partir da FDP de cada uma das grandezas de entrada U (ou da FDP
conjunta para D);
b) fazer s correspondentes avaliações do modelo;
c) classificar os s valores resultantes do modelo em ordem não decrescente.
7.8.2 Os tempos demandados nas três etapas são diretamente proporcionais a })s,~)s e ç)slns (se for usado um eficiente algoritmo de classificação [47]).
7.8.3 Se o modelo é simples e as grandezas de entrada são independentes, pode-se esperar
que o tempo usado no passo c) domine, e o tempo total gasto seja tipicamente de alguns
JCGM 101:2008
——————————————————————————
55
segundos, para s = 10×, em um computador pessoal operando em vários GHz. Caso contrário,
considere-se que � seja o tempo necessário para completar uma amostragem das FDPs das
grandezas de entrada, e � o tempo para fazer uma avaliação do modelo. Então, o tempo total
pode ser tomado essencialmente como s ×( � + �). Se o modelo é complicado, o termo s � é determinante.
NOTA 1 Se o modelo é simples e sé muito grande, e.g. 108 ou 109, o tempo de classificação pode ser
excessivo em comparação com o tempo gasto para fazer as s avaliações do modelo. Nesse caso, os
cálculos podem ser alternativamente baseados em uma aproximação de �](η) derivada de um
histograma adequado do �C.
NOTA 2 Uma indicação do tempo de computação necessário para uma aplicação do MMC pode ser
obtida da seguinte maneira. Considere um problema artificial com um modelo representado pela soma
de cinco termos:
� = cos� + sen� + tg$�m + exp(�) + ¬�/m.
Atribua uma FDP gaussiana a cada grandeza de entrada U. Faça s = 10× iterações de Monte Carlo. Os
tempos de computação relativos para (a) gerar 5s números aleatórios gaussianos, (b) formar s valores
do modelo e (c) classificar os s valores do modelo são, respectivamente 20 %, 20 % e 60 %, com um
tempo total de computação de alguns segundos em um computador pessoal operando em vários GHz.
7.9 Procedimento adaptativo de Monte Carlo
7.9.1 Generalidades
Uma implementação básica de um procedimento adaptativo de Monte Carlo envolve a
realização de um número crescente de iterações de Monte Carlo até que os vários resultados
de interesse tenham-se estabilizado estatisticamente. Um resultado numérico é considerado
estabilizado se o dobro do desvio-padrão associado a ele for menor que a tolerância numérica
(ver 7.9.2) associada à incerteza-padrão �(�). 7.9.2 Tolerância numérica associada a um valor numérico
Denotando por �èÚé o número de dígitos decimais considerados significativos em um valor
numérico qualquer ¡, a tolerância numérica _ associada a ¡ é obtida da seguinte forma:
a) expressar ¡ na forma çx10ê, onde ç é um número inteiro com �èÚé dígitos decimais e ë um
inteiro;
b) assumir
_ = �� 10ê. (18)
JCGM 101:2008
——————————————————————————
56
EXEMPLO 1 A estimativa da grandeza de saída para uma massa padrão de valor nominal 100g [GUM
7.2.2] é � = 100,02147g. A incerteza-padrão é �(�) = 0,00035g, sendo os dois últimos dígitos
considerados significativos. Assim, �èÚé = 2 e �(�) pode ser escrita como 35 × 10$¬g, sendo então ç = 35 e ë = −5. A tolerância numérica _ será, então, _ = ��10$¬g = 0,000005g.
EXEMPLO 2 Como no Exemplo 1, com a diferença de que apenas um dígito decimal em �(�) é
considerado significativo. Assim, �èÚé = 1 e �(�) = 0,0004g = 4 × 10$�g, resultando em ç = 4 e ë = −4. Assim, _ = ��10$�g = 0,00005g.
EXEMPLO 3 Em uma medição de temperatura, �(�) = 2K . Então, �èÚé = 1 e �(�) = 2 × 109K ,
resultando emç = 2 e ë = 0. Assim, _ = ��109K = 0,5K.
7.9.3 Objetivo do procedimento adaptativo
O objetivo do procedimento adaptativo apresentado em 7.9.4 é fornecer
a) uma estimativa � de �,
b) uma incerteza-padrão associada �(�), e
c) os pontos extremos inferior (�Úàá) e superior (�âãä) de um intervalo de abrangência para �
correspondentes a uma probabilidade de abrangência estipulada, de modo tal que cada um
destes quatro valores possam satisfazer à tolerância numérica requerida.
NOTA 1 Pela natureza estocástica do procedimento, não se pode garantir que forneça sempre tal
intervalo.
NOTA 2 Com o aumento do número de iterações de Monte Carlo, � e �(�) em geral “convergem”
consideravelmente mais rápido do que �Úàá e �âãä.
NOTA 3 Geralmente, quanto maior a probabilidade de abrangência requerida, maior é o número de
iterações de Monte Carlo necessário para determinar �Úàá e �âãä para uma dada tolerância numérica.
7.9.4 Procedimento adaptativo Uma abordagem prática, envolvendo a execução de uma sequência de aplicações do MMC, é a seguinte:
a) escolher �èÚé como um inteiro positivo pequeno apropriado (ver 7.9.2);
b) fazer
s = max(í, 10�)
onde í é o menor inteiro maior que ou igual a 100/(1 − e);
JCGM 101:2008
——————————————————————————
57
c) fazer ℎ = 1, que denota a primeira aplicação do MMC na sequência;
d) realizar s iterações de Monte Carlo, como em 7.3 e 7.4;
e) usar os s valores de modelo ��, … , �î assim obtidos para, como em 7.5 a 7.7, calcular
�(ï), �V�(ï)X ,�Úàá(ï) e �âãä(ï) como uma estimativa de �, sua incerteza-padrão associada, e
os pontos extremos esquerdo e direito, respectivamente, de um intervalo de abrangência
de 100p%, isto é, para o ℎ-ésimo membro da sequência;
f) se ℎ = 1, somar 1 a ℎ e voltar ao passo d);
g) calcular o desvio-padrão �t associado à média das estimativas �(�), … , �(ï) de �, dado por
�t� = 1ℎ(ℎ − 1)�V�(C) − �X�,ïC��
onde
� = 1ℎ��(C);ïC��
h) realizar cálculos análogos dessa estatística para �(�), �Úàá e �âãä;
i) usar todos os ℎxM valores de modelo até então disponíveis para formar �(�); j) calcular a tolerância numérica_ associada a �(�), como em 7.9.2;
k) se algum dos valores 2�t, 2�¿(t), 2�tÚàáe 2�tâãäexceder δ, aumentar ℎ em uma unidade e
retornar ao passo d);
l) considerar o cálculo global como tendo estabilizado e usar todos os ℎxM valores de
modelo obtidos para calcular �, �(�) e um intervalo de abrangência de 100p%, como
em 7.5 a 7.7.
NOTA 1 Normalmente o valor de �èÚé no passo a) é escolhido como 1 ou 2.
NOTA 2 A escolha de s no passo b) é arbitrária, mas a forma proposta tem se revelado adequada na prática.
NOTA 3 No passo g), � pode ser considerado como uma realização de uma variável aleatória com desvio-padrão �t.
NOTA 4 Os desvios-padrão formados nos passos g) e h) tendem a se reduzir de maneira proporcional
a ℎ$�/� (cf. 5.9.6 NOTA 2).
NOTA 5 Em situações em que não se requer um intervalo de abrangência, o teste para estabilização do cálculo no passo k) pode ser baseado apenas em 2�t e 2�¿(t).
JCGM 101:2008
——————————————————————————
58
NOTA 6 O fator 2 usado no passo k) é baseado no fato de se considerarem as médias como realizações de variáveis gaussianas, correspondendo, assim, a uma probabilidade de abrangência de aproximadamente 95 %.
NOTA 7 Uma abordagem alternativa e não adaptativa para um intervalo de abrangência probabilisticamente simétrico de 95 %, que pode ser obtido usando a estatística da distribuição binomial
[10], é descrito a seguir. Selecionar s = 10¬ ou s = 10×. Formar o intervalo ß�(C), �(¨)å, sendo que,
para s = 10¬, � = 2420 e � = 97581 e, para s = 10×, � = 24747 e � = 975254. Este intervalo é um intervalo de abrangência estatístico de 95 % ao nível da confiança de 0,99 [GUM C.2.30] [55], ou seja, a probabilidade de abrangência não será inferior a 95 % em pelo menos 99 % das oportunidades de uso do MMC. A probabilidade de abrangência média de tal intervalo será (� − �)/(s + 1), que é maior que 95 % por uma quantidade que se torna menor à medida que s é aumentado, por exemplo, 95,16 %
para s = 10¬ e 95,05 % para s = 10×. (Existem outras possibilidades para a escolha dos valores � e �, cuja soma não necessariamente tem de ser s + 1. Uma condição suficiente [10, seção 2.6] é que � − � satisfaça
� óWeW(1 − e)u$W < 1 − 0,99,uuW�¨$C
onde óW = s!p! (s − p)! ,u
sendo que o melhor resultado acontece quando esta desigualdade é primeiramente satisfeita.) Estes resultados podem ser estendidos a outras probabilidades de abrangência (e outras escolhas de s).
JCGM 101:2008
——————————————————————————
59
8 Validação de resultados
8.1 Validação da metodologia de incerteza do GUM usando um método de Monte Carlo
8.1.1 Espera-se sempre que a metodologia de incerteza do GUM funcione a contento em muitas circunstâncias. No entanto, determinar se todas as condições para o seu bom funcionamento são válidas (ver 5.7 e 5.8) não é uma tarefa simples. De fato, o grau de dificuldade geralmente envolvido em tal determinação pode chegar a ser consideravelmente maior do que aquele necessário para aplicar o MMC, desde que softwares adequados [8] estejam disponíveis. Assim, uma vez que estes condicionantes não podem ser prontamente testados, quaisquer casos em que persistam dúvidas devem ser validados. Como o domínio de validade do MMC é mais amplo do que aquele da metodologia de incerteza do GUM, recomenda-se que ambos sejam aplicados, procedendo-se então à comparação dos resultados. Caso essa comparação seja favorável, a metodologia de incerteza do GUM pode ser usada nesta ocasião e em problemas futuros suficientemente semelhantes. Caso contrário, deve-se considerar o uso do MMC ou de outra abordagem apropriada.
8.1.2 Recomenda-se, especificamente, que sejam realizadas as duas etapas a seguir, e o processo de comparação descrito em 8.1.3:
a) aplicar a metodologia de incerteza do GUM (possivelmente com a lei de propagação de incertezas baseada em uma aproximação de ordem superior da série de Taylor) (ver [5.6]) para gerar um intervalo de abrangência � ± ij de 100e% para a grandeza de saída,
onde e é a probabilidade de abrangência estipulada;
b) aplicar o procedimento de Monte Carlo adaptativo (ver 7.9.4) para obter (aproximações para) a incerteza-padrão �(�) e os limites �Úàá e �âãä do intervalo de abrangência
requerido (probabilisticamente simétrico ou mais curto) de 100e% para a grandeza de saída. Ver também 8.2.
8.1.3 Um procedimento de comparação tem o seguinte objetivo: determinar, dentro de uma tolerância numérica estipulada, se há concordância entre os intervalos de abrangência obtidos pela metodologia de incerteza do GUM e pelo MMC. Essa tolerância numérica é avaliada em termos dos limites dos intervalos de abrangência, e corresponde à tolerância que se obtém ao expressar a incerteza-padrão �(�) com o que pode ser considerado como um número adequado de dígitos decimais significativos (cf. 7.9.2). O procedimento é o seguinte:
a) estabelecer uma tolerância numérica _ associada a �(�) como descrito em 7.9.2;
b) comparar os intervalos de abrangência obtidos pela metodologia de incerteza do GUM e pelo MMC para determinar se foi obtido o número necessário de dígitos decimais corretos no intervalo de abrangência fornecido pela metodologia de incerteza do GUM. Especificamente, determinar
�U�ô = |� − ij − �inf|, (19)�¨¿j = |� + ij − �sup|, (20)
JCGM 101:2008
——————————————————————————
60
isto é, as diferenças absolutas entre os respectivos limites dos dois intervalos de abrangência. Então, se tanto �inf como �sup não forem maiores que _, a comparação é
favorável e a metodologia de incerteza do GUM terá sido validada neste caso.
NOTA A escolha do intervalo de abrangência de 100e% tem influência direta na comparação. A validação se aplica, portanto, apenas à probabilidade de abrangência especificada e.
8.2 Obtenção de resultados a partir de um método de Monte Carlo para fins de validação
Quando o propósito principal do uso do MMC é a validação, como descrito em 8.1, o procedimento deve ser realizado usando um número s satisfatório de iterações de Monte Carlo (ver 7.2). Seja �dig o número de dígitos decimais significativos requeridos em �(�) (consultar 7.9.1) quando de uma validação da metodologia de incerteza de GUM usando MMC. Seja _ a tolerância numérica associada a �(�) (ver 7.9.2). Recomenda-se, então, que seja usado um procedimento de Monte Carlo adaptativo (ver 7.9.4) para fornecer resultados do MMC com uma tolerância numérica de _/5. Tais resultados podem ser obtidos substituindo _ por _/5 no passo k) desse procedimento.
NOTA A princípio, o uso de uma tolerância numérica de _/5 requereria um valor de s da ordem de 25 vezes aquele necessário para uma tolerância numérica de _. Um valor de s de tal ordem pode comprometer a eficiência de alguns computadores ao operar com matrizes vetoriais de dimensão s. Nesse caso, os cálculos podem ser baseados em uma aproximação de �](Z) derivada de um histograma adequado de �C , no qual as frequências de célula no histograma são atualizadas ao ritmo do processamento do cálculo de Monte Carlo. Cf. 7.8.3 NOTA 1.
9 Exemplos
9.1 Ilustrações de abordagens deste Suplemento
9.1.1 Os exemplos apresentados ilustram vários aspectos deste Suplemento. Eles mostram a aplicação da metodologia de incerteza do GUM com e sem contribuições oriundas de termos de ordem superior na aproximação da série de Taylor da função modelo. Eles também mostram os resultados correspondentes fornecidos
a) pelo MMC usando números pré-escolhidos s de iterações de Monte Carlo,
b) pelo procedimento adaptativo de Monte Carlo (ver 7.9.4), no qual s é determinado
automaticamente, ou
c) por ambos.
9.1.2 Alguns dos exemplos mostram ainda se os resultados do MMC fornecidos no passo b) acima validam aqueles fornecidos pela metodologia de incerteza do GUM. Uma tolerância numérica _ (ver 7.9.2) associada a �(�), sendo _ escolhida apropriadamente, é usada na comparação do MMC com a metodologia de incerteza do GUM. Os resultados fornecidos pelo MMC em b) são obtidos usando uma tolerância numérica _/5 (ver 8.2). Em alguns casos, soluções são obtidas analiticamente para posterior comparação.
JCGM 101:2008
——————————————————————————
61
9.1.3 Os resultados são geralmente relatados da maneira descrita em 5.5. No entanto, para facilitar a comparação dos resultados obtidos a partir das várias abordagens, é frequentemente usada uma quantidade de dígitos decimais significativos maior do que a recomendada.
9.1.4 O gerador Mersenne Twister [34] foi usado para gerar números pseudoaleatórios a partir de uma distribuição retangular (ver C.3). Ele obtém sucesso em um teste completo para números pseudoaleatórios retirados de uma distribuição retangular [30] (ver C.3.2) e está disponível no MATLAB [36], o ambiente de programação usado para produzir os resultados aqui apresentados.
9.1.5 O primeiro exemplo (ver 9.2) constitui um modelo aditivo. Ele demonstra que os resultados do MMC e da metodologia de incerteza do GUM estão em acordo quando as condições de validade do último são atendidas (como em 5.7). O mesmo modelo, mas com diferentes FDPs atribuídas às grandezas de entrada, é também considerado para evidenciar alguns desvios quando nem todas as condições de validade são atendidas.
9.1.6 O segundo exemplo (ver 9.3) é um problema de calibração da metrologia de massa. Ele demonstra que a metodologia de incerteza do GUM é válida, neste caso, somente se forem incluídas as contribuições oriundas de termos de ordem superior na aproximação da série de Taylor da função modelo.
9.1.7 O terceiro exemplo (ver 9.4) diz respeito à medição elétrica. Ele mostra que a FDP para a grandeza de saída pode ser notavelmente assimétrica e, portanto, a metodologia de incerteza do GUM pode produzir resultados inválidos, mesmo se todos os termos de ordem superior forem levados em consideração. São tratados casos em que as grandezas de entrada são independentes e casos em que são dependentes.
9.1.8 O quarto exemplo (ver 9.5) é aquele que, no GUM, se refere à calibração de bloco-padrão [GUM H.1]. As informações ali fornecidas são referentes à interpretação das grandezas de entrada do modelo, à apropriada atribuição das FDPs para essas grandezas, e à maneira como os resultados da metodologia de incerteza do GUM e do MMC são obtidos e comparados. Além disso, este tratamento é aplicado tanto ao modelo original quanto à aproximação que é feita no GUM.
9.2 Modelo aditivo
9.2.1 Formulação
Este exemplo considera o modelo aditivo � = � + � + m + �, (21)
um caso especial do modelo linear genérico considerado no GUM, para três diferentes conjuntos de FDPs ��\(�U) atribuídos às grandezas de entrada U , consideradas como
independentes. Os U e, consequentemente, a grandeza de saída �, têm dimensão 1. Para o primeiro conjunto, cada ��\(�U) é uma FDP gaussiana padrão (com U tendo esperança nula e
desvio-padrão unitário). Para o segundo conjunto, cada ��\(�U) é uma FDP retangular,
novamente com U tendo esperança nula e desvio-padrão unitário. O terceiro conjunto é idêntico ao segundo, exceto que a FDP para ��õ(��) tem desvio-padrão igual a dez.
JCGM 101:2008
——————————————————————————
62
NOTA Estão disponíveis [13] informações adicionais sobre modelos aditivos, tais como o modelo (21), em que as FDPs são gaussianas ou retangulares ou uma combinação de ambas.
9.2.2 Grandezas de entrada com distribuição normal
9.2.2.1 É atribuída uma FDP gaussiana padrão para cada U. As melhores estimativas para os U são OU = 0, k = 1, 2, 3, 4, com incertezas-padrão associadas �(OU) = 1.
9.2.2.2 Os resultados obtidos encontram-se resumidos nas cinco primeiras colunas da Tabela 2, sendo expressos com três algarismos significativos para facilitar sua comparação (ver 9.1.3).
NOTA É determinado o intervalo de abrangência probabilisticamente simétrico de 95 %, uma vez que se sabe que, neste caso, a FDP para � é simétrica, como o é para os outros casos considerados neste exemplo.
9.2.2.3 A lei de propagação de incertezas [GUM 5.1.2] fornece a estimativa � = 0,0 de � e incerteza-padrão associada �(�) = 2,0 , usando uma tolerância numérica de dois dígitos decimais significativos para �(�) (_ = 0,05) (ver 5.5). Um intervalo de abrangência probabilisticamente simétrico de 95% para � é [-3,9; 3,9], com base em um fator de abrangência de 1,96.
9.2.2.4 A aplicação do MMC (item 7) com s = 10¬ iterações fornece � = 0,0, �(�) = 2,0 e o intervalo de abrangência probabilisticamente simétrico de 95% [−3,9; 3,9]. Duas outras aplicações do método, com s = 10× iterações, obtêm resultados concordantes dentro da tolerância numérica usada. Estas duas outras aplicações (com diferentes amostras aleatórias sendo geradas a partir das FDPs) foram feitas para demonstrar a variação nos resultados obtidos. O quarto e quinto valores numéricos de s (1,23 × 10× e 1,02 × 10×) (na Tabela 2) são os números de iterações para duas aplicações do procedimento adaptativo de Monte Carlo (ver 7.9) com o uso de uma tolerância numérica de _/5 (ver 8.2).
9.2.2.5 A FDP para � obtida analiticamente é a FDP gaussiana com esperança zero e desvio-padrão dois.
9.2.2.6 A Figura 6 mostra a FDP (gaussiana) para � resultante da metodologia de incerteza do GUM. Mostra também uma das aproximações (distribuição de frequência escalada (histograma) de s = 10× valores de modelo de �), constituindo a representação discreta r (ver 7.5) para esta FDP fornecida pelo MMC. Os limites do intervalo de abrangência probabilisticamente simétrico de 95 % fornecidos por ambos os métodos são mostrados como linhas verticais. A FDP e a aproximação são visualmente indistinguíveis, assim como os respectivos intervalos de abrangência. Para este exemplo, tal concordância seria esperada (para um valor suficientemente grande de s), porque todas as condições são válidas para a aplicação da metodologia de incerteza do GUM (ver 5.7).
Tabela 2 - Aplicação ao modelo (21) (a) da metodologia de incerteza do GUM (MIG), (b) do MMC, e (c) de uma abordagem analítica, tendo sido atribuída a cada U uma FDP gaussiana
padrão (9.2.2.2, 9.2.2.7, 9.2.3.4)
Método ö ÷ o(÷) Intervalo de abrangência de 95 % probabilisticamente simétrico
øinf øsup MIG validada (ù = ú, úû)?
MIG 0,00 2,00 A−3,92; 3,92B MMC 10¬ 0,00 2,00 A−3,94; 3,92B MMC 10× 0,00 2,00 A−3,92; 3,92B
JCGM 101:2008
——————————————————————————
63
MMC 10× 0,00 2,00 A−3,92; 3,92B MMC adaptativo 1,23 × 10× 0,00 2,00 A−3,92; 3,93B 0,00 0,01 Sim MMC adaptativo 1,02 × 10× 0,00 2,00 A−3,92; 3,92B 0,00 0,00 Sim
Analítico 0,00 2,00 A−3,92; 3,92B
Figura 6 – Aproximações da FDP para � referentes ao modelo (21), fornecidas (a) pela metodologia de incerteza do GUM e (b) pelo MMC, tendo sido atribuída a cada U uma FDP
gaussiana padrão (9.2.2.6, 9.2.3.3). "unid" denota qualquer unidade
9.2.2.7 As colunas 6 a 8 da Tabela 2 também mostram os resultados da aplicação dos procedimentos de validação de 8.1 e 8.2. Usando a terminologia de 7.9.2, �dig = 2, uma vez
que são almejados dois algarismos decimais significativos em �(�). Portanto, �(�) = 2,0 =20 × 10$�, e, portanto, ç = 20 e ë = −1. Assim, de acordo com 7.9.2, a tolerância numérica é
_ = 12 × 10$� = 0,05. As magnitudes �inf e �sup das diferenças entre os pontos extremos (expressões (19) e (20)) são
mostradas na Tabela 2 para as duas aplicações do procedimento adaptativo de Monte Carlo. É também mostrado se a metodologia de incerteza do GUM foi validada para _ = 0,05.
9.2.2.8 A Figura 7 mostra o comprimento �sup − �inf do intervalo de abrangência de 95 %
para � (ver 7.7) como uma função da probabilidade no seu limite esquerdo, determinado a partir de r. Como esperado para uma FDP simétrica, o intervalo tem o seu comprimento mais curto quando se localiza simetricamente em relação à esperança.
Grandeza de saída / unid
Den
sid
ade
de
pro
bab
ilid
ade
/ u
nid
-1
JCGM 101:2008
——————————————————————————
64
Figura 7 - O comprimento do intervalo de abrangência de 95 %, como uma função da probabilidade no seu ponto extremo esquerdo, para a representação discreta r da função
distribuição obtida pela aplicação do MMC ao modelo (21) (9.2.2.8, 9.4.2.2.11)
9.2.2.9 O subitem 9.4 fornece exemplo de uma FDP assimétrica para a qual o mínimo intervalo de abrangência difere sensivelmente do intervalo de abrangência probabilisticamente simétrico.
9.2.3 Grandezas de entrada com distribuições retangulares de mesma largura
9.2.3.1 Uma FDP retangular, com esperança igual a zero e desvio-padrão unitário, é atribuída a cada U (em contraste com 9.2.2.1, em que as FDPs são gaussianas). Novamente, as melhores estimativas dos U são OU = 0, k = 1, 2, 3, 4, com incertezas-padrão associadas �(OU) = 1.
9.2.3.2 Os resultados na Tabela 3 foram obtidos seguindo etapas análogas àquelas de 9.2.2.3 a 9.2.2.5. A solução analítica para os limites do intervalo de abrangência probabilisticamente
simétrico de 95 %, isto é, ±2√3ß2 − (3 5⁄ )� �⁄ å ü ±3,88, foi obtida como descrito no anexo E.
Tabela 3 – Da mesma forma que na Tabela 2, porém para FDPs retangulares, com os Ú tendo as mesmas esperanças e mesmos desvios-padrão (9.2.3.2, 9.2.3.3, 9.2.3.4)
Método ö ÷ o(÷) Intervalo de abrangência de 95 % probabilisticamente simétrico
øinf øsup MIG validada (ù = ú, úû)?
MIG 0,00 2,00 A−3,92; 3,92B MMC 10¬ 0,00 2,01 A−3,90; 3,89B MMC 10× 0,00 2,00 A−3,89; 3,88B MMC 10× 0,00 2,00 A−3,88; 3,88B
MMC adaptativo 1,02 × 10× 0,00 2,00 A−3,88; 3,89B 0,04 0,03 Sim MMC adaptativo 0,86 × 10× 0,00 2,00 A−3,87; 3,87B 0,05 0,05 Não
Analítico 0,00 2,00 A−3,88; 3,88B
9.2.3.3 A Figura 8 mostra o equivalente à Figura 6 para o presente caso. Numa comparação com a Figura 6, podem ser percebidas algumas pequenas diferenças entre as aproximações das FDPs. A metodologia de incerteza do GUM fornece exatamente a mesma FDP para � quando as
Probabilidade no ponto extremo esquerdo
Tam
anh
o d
o in
terv
alo
de
abra
ngê
nci
a /
un
id
JCGM 101:2008
——————————————————————————
65
FDPs para os U são gaussianas ou retangulares, porque as esperanças destas grandezas são idênticas nos dois casos, assim como o são os desvios-padrão. A FDP obtida pelo MMC tem valores menores que aqueles fornecidos pela metodologia de incerteza do GUM na vizinhança da esperança e, em menor grau, perto das caudas. Nos flancos, a FDP do MMC tem valores ligeiramente maiores. Os limites dos intervalos de abrangência fornecidos são novamente quase indistinguíveis visualmente, mas a Tabela 3 revela pequenas diferenças.
9.2.3.4 O intervalo de abrangência probabilisticamente simétrico de 95 % determinado a partir da metodologia de incerteza do GUM é, neste caso, um pouco mais conservador do que o obtido analiticamente. Assim como para o caso de grandezas com distribuição normal, foi aplicado o procedimento de validação (colunas 6 a 8 da Tabela 3). Como antes, �èÚé = 2, �(�) = 20 × 10$�, ç = 20, ë = −1 e _ = 0,05. As diferenças entre os limites, �Úàá e �âãä, são
maiores do que no caso de grandezas normalmente distribuídas (Tabela 2). A metodologia de incerteza do GUM é validada para a primeira das duas aplicações do procedimento de Monte Carlo adaptativo. Para a segunda aplicação, ela não é validada, embora �Úàá e �âãä para esta
aplicação estejam próximos da tolerância numérica _ = 0,05 (o que pode ser observado se forem considerados mais algarismos decimais do que na Tabela 3). Diferentes resultados de validação, como estes, são uma consequência ocasional da natureza estocástica do Método de Monte Carlo, especialmente em um caso como o aqui tratado.
Figura 8 - Contrapartida da Figura 6 para grandezas (de entrada) com mesmas esperanças e mesmos desvios-padrão, mas com FDPs retangulares (9.2.3.3)
9.2.4 Grandezas de entrada com distribuições retangulares de larguras diferentes
9.2.4.1 Considere o exemplo de 9.2.3, exceto que � tenha um desvio-padrão igual a dez em vez de um. A Tabela 4 apresenta os resultados obtidos.
9.2.4.2 Os números s de iterações de Monte Carlo realizadas pelo procedimento adaptativo (0,03 × 10× e 0,08 × 10×) são muito menores dos que os correspondentes aos dois casos anteriores neste exemplo. A principal razão é que, neste caso, _ = 0,5, a tolerância numérica resultante da exigência, como antes, de dois dígitos decimais significativos em �(�), é dez vezes o valor anterior. Fosse usado o valor anterior, s seria da ordem de 100 vezes maior.
Grandeza de saída / unid
Den
sid
ade
de
pro
bab
ilid
ade
/ u
nid
-1
JCGM 101:2008
——————————————————————————
66
Tabela 4 – Da mesma forma que na Tabela 3, exceto que �, a quarta grandeza de entrada, possui um desvio-padrão igual a dez, em vez de um, não sendo fornecida nenhuma solução
analítica (9.2.4.1, 9.2.4.5)
Método ö ÷ o(÷) Intervalo de abrangência de 95 % probabilisticamente simétrico
øinf øsup MIG validada (ù = ú, û)?
MIG 0,0 10,1 A−19,9; 19,9B MMC 10¬ 0,0 10,2 A−17,0; 17,0B MMC 10× 0,0 10,2 A−17,0; 17,0B MMC 10× 0,0 10,1 A−17,0; 17,0B
MMC adaptativo 0,03 × 10× 0,1 10,2 A−17,1; 17,1B 2,8 2,8 Não MMC adaptativo 0,08 × 10× 0,0 10,1 A−17,0; 17,0B 2,9 2,9 Não
9.2.4.3 A Figura 9 mostra as duas aproximações obtidas para a FDP de �. Elas diferem sensivelmente. A predominância da FDP de � é evidente. A FDP resultante para � é semelhante àquela de �, mas há um efeito nos flancos resultante das FDPs das outras grandezas de entrada U. 9.2.4.4 A Figura 9 mostra também os limites do intervalo de abrangência probabilisticamente simétrico de 95 % para � obtido a partir dessas aproximações. O par interior de linhas verticais indica os limites do intervalo de abrangência probabilisticamente simétrico de 95 % determinado pelo MMC. O par externo corresponde ao resultado da metodologia de incerteza do GUM, com um fator de abrangência � = 1,96.
Figura 9 - Como na Figura 8, exceto que a quarta grandeza de entrada tem um desvio-padrão igual a dez, em vez da unidade (9.2.4.3, 9.2.4.4)
9.2.4.5 O intervalo de abrangência probabilisticamente simétrico de 95 % determinado com base na metodologia de incerteza do GUM é, neste caso, mais conservador do que o obtido usando o MMC. Novamente, foi aplicado o procedimento de validação (Tabela 4, colunas 6 a 8). Agora, �èÚé = 2, �(�) = 1,0 x 101 = 10 x 100, c = 10, ë = 0 e _ = 1/2 × 100 = 0,5. Para as duas
aplicações do procedimento adaptativo de Monte Carlo, a metodologia de incerteza do GUM não é validada. Para uma tolerância numérica de um dígito decimal significativo em �(�), isto é,
Grandeza de saída / unid
Den
sid
ade
de
pro
bab
ilid
ade
/ u
nid
-1
JCGM 101:2008
——————————————————————————
67
�èÚé = 1, com _ = 5, o status de validação seria positivo em ambos os casos, com os intervalos
de abrangência de 95 % sendo todos iguais a [−2 × 101, 2 × 101]. Ver 4.13.
NOTA As condições para aplicação do Teorema do Limite Central não são bem atendidas nesta circunstância [GUM G.6.5] por causa do efeito dominante da FDP retangular de � (ver 5.7.2). Contudo, como essas condições são, na prática, assumidas como válidas, especialmente quando se usa software próprio para avaliação de incertezas (cf. 9.4.2.5 NOTA 3), a assunção da aplicabilidade do teorema permite que a caracterização de � seja feita, neste subitem, por uma FDP gaussiana para fins de comparação.
9.3 Calibração de massa
9.3.1 Formulação
9.3.1.1 Considere-se a calibração de um peso W, de densidade þ�, contra um peso de referência R de densidade þ�, com mesma massa nominal, usando uma balança operando no ar de densidade þ¥ [39]. Como þ� e þ� são geralmente diferentes, é necessário considerar os efeitos do empuxo. Aplicando o princípio de Arquimedes, o modelo assume a forma:
��V1 − þ¥ þ�� X = (�� + _��)V1 − þ¥ þ�� X, (22)
em que _�� é a massa de um pequeno peso de densidadeþ� adicionado a R para estabelecer o equilíbrio com W. 9.3.1.2 É comum trabalhar em termos de massas convencionais. A massa convencional ��,� de W é a massa de um peso (hipotético) de densidade þ9 = 8000kg/mm que equilibra W no ar de densidade þa� = 1,2kg/mm . Assim,
�� "1 − þa� þ�� & = ��,� "1 − þa� þ9� &
9.3.1.3 Em termos de massas convencionais ��,�, ��,�e _�R,c, o modelo (22) torna-se
��,�V1 − þa þ�� X "1 − þa� þ�� &$� = V��,� + _��,�XV1 − þa þ�� X "1 − þa� þ�� &$� (23)
a partir do qual, para uma aproximação adequada à maioria dos fins práticos,
��,� = V��,� + _��,�X �1 + Vþa − þa�X " � − �
�&� Seja _� = ��,� −�à�¤ o desvio de ��,� da massa nominal
�� = 100g.
O modelo usado neste exemplo é dado por
JCGM 101:2008
——————————————————————————
68
_� = V��,� + _��,�X �1 + Vþa − þa�X " � − �
�&� −�à�¤ (24)
NOTA A aplicação da lei de propagação de incertezas ao modelo “exato” (23) é dificultada pela complexidade algébrica das derivadas parciais. É mais fácil aplicar o MMC, isto porque precisam ser formados apenas valores do modelo.
9.3.1.4 As únicas informações disponíveis referentes a �R,c e _�R,c são a melhor estimativa e uma incerteza-padrão associada para cada uma dessas grandezas. Assim, seguindo 6.4.7.1, uma distribuição gaussiana é atribuída a cada uma dessas grandezas, com essas melhores estimativas sendo usadas como as esperanças das grandezas correspondentes, e as incertezas-padrão associadas como os desvios-padrão. As únicas informações disponíveis sobre þa, þW e þR são os limites inferior e superior para cada uma dessas grandezas. Dessa maneira, seguindo 6.4.2.1, uma distribuição retangular é atribuída a cada uma dessas grandezas, com limites iguais aos limites da distribuição. A Tabela 5 resume as grandezas de entrada e as FDPs atribuídas. Na tabela, uma distribuição gaussiana N(*,σ�) é descrita em termos de esperança * e desvio-padrão σ, e uma distribuição retangular (}, ~), com pontos extremos } e ~ (} < ~), em termos de esperança (} + ~)/2 e semi-largura (~ − })/2.
NOTA À grandeza þa� no modelo de calibração de massa (24) é atribuído o valor 1,2 kg/m3 sem uma
incerteza associada.
Tabela 5 - As grandezas de entrada Ue as FDPs a elas atribuídas no modelo (24) de calibração de massa (9.3.1.4)
DÙ Distribuição
Parâmetros
Esperança * Desvio-padrão +
Esperança O = (} + ~) 2⁄ Semi-largura (~ − }) 2⁄
�R,c N(*,σ�) 100000,000mg 0,050mg _�R,c N(*,σ�) 1,234mg 0,020mg þa R(}, ~) 1,2kg/m³ 0,10kg/m³ þW R(}, ~) 8 × 10mkg/m³ 1 × 10mkg/m³ þR R(}, ~) 8,00 × 10mkg/m³ 0,05 × 10mkg/m³ 9.3.2 Propagação e resumo
9.3.2.1 A metodologia de incerteza GUM e o procedimento adaptativo de Monte Carlo (ver
7.9) foram ambos usados para obter estimativas _�a de _�, as incertezas-padrão associadas �V_�a X e os mínimos intervalos de abrangência de 95% para _�. Os resultados obtidos são
mostrados na Tabela 6, na qual MIG1 denota metodologia de incerteza do GUM com termos de primeira ordem, MMC o procedimento de Monte Carlo adaptativo, e MIG2 a metodologia de incerteza de GUM com termos de ordem superior.
9.3.2.2 Foram realizadas 0,72 × 106 iterações pelo procedimento adaptativo de Monte Carlo com o uso de uma tolerância numérica de _/5 (ver 8.2), com _ definido para o caso em que um
dígito decimal significativo em �V_�aX é considerado significante (ver 9.3.2.6).
JCGM 101:2008
——————————————————————————
69
9.3.2.3 A Figura 10 mostra as aproximações da FDP para _� obtidas a partir da metodologia de incerteza do GUM com termos de primeira ordem e do MMC. A curva contínua representa uma FDP gaussiana com parâmetros fornecidos pela metodologia de incerteza GUM. O par interno de linhas verticais (pontilhadas) indica o mínimo intervalo de abrangência de 95 % para _� obtido com base nesta FDP. O histograma é a distribuição de frequência escalada obtida usando o MMC como uma aproximação para a FDP. O par externo de linhas verticais (contínuas) indica o mínimo intervalo de abrangência de 95 % para _� com base na representação discreta da função distribuição determinada como em 7.5.
Tabela 6 - Resultados da etapa de cálculo para o modelo de calibração de massa (24) (9.3.2.1, 9.3.2.6)
Método ù�a /mg
oVù�aX
/mg
Mínimo intervalo de abrangência de 95 %
/mg
øinf /mg
øsup
/mg
MIG validada (δ = ú, úúû)?
MIG1 1,2340 0,0539 A1,1285; 1,3395B 0,0451 0,00430 Não MMC 1,2341 0,0754 A1,0834; 1,3825B MIG2 1,2340 0,0750 A1,0850; 1,3810B 0,0036 0,0015 Sim
Figura 10 - Aproximações a FDP para a grandeza de saída _� obtidas usando a metodologia de incerteza GUM com termos de primeira ordem e MMC (9.3.2.3)
9.3.2.4 Os resultados mostram que, embora a metodologia de incerteza GUM (primeira ordem) e o MMC forneçam estimativas de _� em boa concordância, os valores numéricos para
a incerteza-padrão associada são visivelmente diferentes. O valor (0,075 4 mg) de �V_�aX retornado pelo MMC é 40 % maior que aquele (0,053 9 mg) obtido pela metodologia de incerteza GUM (primeira ordem). Este último é, portanto, otimista a esse respeito. Existe uma
boa concordância entre �V_�aX determinada por MMC e aquela (0,075 0 mg) fornecida pela
metodologia de incerteza GUM com termos de ordem superior.
9.3.2.5 A Tabela 7 contém as derivadas parciais de primeira ordem com relação às grandezas de entrada para o modelo (24) e os coeficientes de sensibilidade, ou seja, estas derivadas
Desvio _� da massa convencional para a nominal / mg
Den
sid
ade
de
pro
bab
ilid
ade
/ m
g-1
JCGM 101:2008
——————————————————————————
70
avaliadas nas melhores estimativas das grandezas de entrada. Estas derivadas indicam que, para os propósitos da metodologia de incerteza da GUM com termos de primeira ordem, o modelo usado neste exemplo pode ser considerado equivalente ao modelo aditivo
_� = �R,c + _�R,c −�à�¤. O MMC não faz tal aproximação (implícita) para o modelo.
Tabela 7 - Coeficientes de sensibilidade para o modelo de calibração de massa (24) (9.3.2.5)
DÙ Derivada parcial Coeficiente de sensibilidade �R,c 1 + (þa − þa9)(1 þW⁄ − 1 þR⁄ ) 1 _�R,c 1 + (þa − þa9)(1 þW⁄ − 1 þR⁄ ) 1 þa V�R,c − _�R,cX(1 þW⁄ − 1 þR⁄ ) 0 þW −V�R,c − _�R,cX(þa − þa9) þW�⁄ 0 þR V�R,c − _�R,cX(þa − þa9) þR�⁄ 0
9.3.2.6 A Tabela 6 mostra também, nas três colunas mais à direita, os resultados da aplicação do procedimento de validação de 8.1 e 8.2 no caso em que um dígito decimal significativo em �V_�aX é considerado significante. Usando a terminologia desse subitem, �èÚé = 1, uma vez que
é necessária uma tolerância numérica de um dígito decimal significativo em �V_�aX. Portanto, �V_�aX = 0,08 = 8 × 10-2, e assim ç em 7.9.2 é igual a 8 e ë = −2. Então, _ = 1/2 × 10−2 = 0,005. �Úàá e �âãä denotam as magnitudes das diferenças (19) e (20) entre os limites, onde _�a
corresponde a �. Na coluna final da tabela é indicado se os resultados foram validados para um
dígito decimal significativo em �V_�aX . Se apenas os termos de primeira ordem forem
considerados, a aplicação da metodologia de incerteza do GUM não é validada. Se os termos de ordem mais alta forem considerados [GUM 5.1.2 NOTA], a metodologia de incerteza da GUM é validada. Assim, a não-linearidade do modelo é tal que a consideração apenas de termos de primeira ordem é inadequada.
9.4 Comparação de perdas na calibração de medidor de potência de micro-ondas
9.4.1 Formulação
9.4.1.1 Durante a calibração de um medidor de potência de micro-ondas, o medidor em calibração e um medidor padrão são conectados, em sequência, a um gerador de sinais estável. As potências absorvidas pelos medidores serão em geral diferentes porque os seus coeficientes de reflexão complexos de tensão de entrada não são idênticos. A razão � entre a potência absorvida pelo medidor em calibração (�î) e aquela absorvida pelo medidor padrão (��) é [43]
� = �î�� = 1 − |Γî|�1 − |Γ�|� × |1 − Γ�Γ�|�|1 − ΓîΓ�|�, (25)
JCGM 101:2008
——————————————————————————
71
onde Γ� é o coeficiente de reflexão de tensão do gerador de sinal, Γî aquele do medidor em calibração e Γ� o coeficiente do medidor padrão. Essa razão de potência é um exemplo de medida de “comparação de perdas” [1,28].
9.4.1.2 Considere-se o caso em que o padrão e o gerador de sinais são não reflexivos, ou seja, Γ� = Γ� = 0, e os valores medidos são obtidos das partes real e imaginária (� e �) de Γî = � + j�, onde j� = −1. Como |Γî|� = �� + ��, a fórmula (25) se torna
� = 1 − �� − ��. (26)
9.4.1.3 São dadas, respectivamente, as melhores estimativas O� e O� das grandezas � e � da medição e as incertezas-padrão associadas �(O�) e �(O�). � e � geralmente não são independentes. Denota-se por �(O�, O�) a covariância associada a O� e O� . De maneira equivalente [GUM 5.2.2], �(O�, O�) = �(O�, O�)�(O�)�(O�) , onde � = �(O�, O�) denota o coeficiente de correlação associado [GUM 5.2.2].
NOTA Na prática, o engenheiro elétrico pode, às vezes, ter dificuldade para quantificar a covariância. Em tais casos, a avaliação de incerteza pode ser repetida com diferentes valores numéricos para o coeficiente de correlação, a fim de estudar seu efeito. Este exemplo realiza cálculos usando coeficiente de correlação igual a zero e igual a 0,9 (cf. 9.4.1.7).
9.4.1.4 Com base em 6.4.8.1, é atribuída a D = (�, �)F uma FDP gaussiana bivariada em � e �, com matriz de esperança e covariância
�O�O��, ! ��(O�) ��(O�)�(O�)��(O�)�(O�) ��(O�) '. (27)
9.4.1.5 Como os valores de � e � na expressão (26) são, na prática, pequenos em comparação com a unidade, o � resultante é próximo da unidade. Os resultados são expressos, assim, em termos da grandeza
δ� = 1 − � = �� + ��, (28)
tomada como o modelo de medição. Por razões físicas, 0 ≤ � ≤ 1e, portanto, 0 ≤ δ� ≤ 1.
9.4.1.6 A determinação de uma estimativa δ� de δ�, a incerteza-padrão associada �(δ�), e um intervalo de abrangência para δ� serão considerados para escolhas de O�, O�, �(O�), �(O�) e �(O�, O�). Todas essas grandezas têm dimensão 1.
9.4.1.7 São considerados seis casos, sendo que em todos eles O� é tomado como zero e �(O�) = �(O�) = 0,005 . Os três primeiros casos correspondem a tomar O� = 0,0,001Í0,050, cada um com �(O�, O�) = 0. Os outros três casos correspondem a tomar os mesmos valores acima para O�, mas com �(O�, O�) = 0,9. Os vários valores numéricos de O� (comparáveis aos que ocorrem na prática) são usados para investigar até que ponto os resultados obtidos diferem entre si para as abordagens consideradas.
9.4.1.8 Para os casos em que � = �(O�, O�) = 0, a matriz de covariância dada na fórmula (27) se reduz a diag(��(O�), ��(O�)) e a distribuição conjunta correspondente para � e � ao
JCGM 101:2008
——————————————————————————
72
produto de duas distribuições Gaussianas univariadas para U (k = 1, 2), com esperança OU e desvio-padrão �(OÚ). 9.4.2 Propagação e resumo: covariância zero
9.4.2.1 Generalidades
9.4.2.1.1 A avaliação de incerteza é tratada pela aplicação da propagação de distribuições
a) analiticamente (para fins de comparação), b) usando a metodologia de incerteza GUM, e c) usando o MMC.
NOTA Essas abordagens não restringem o domínio da FDP de δ� a valores não maiores que a unidade. No entanto, para incertezas suficientemente pequenas �(O�) e �(O�), como aqui, a FDP de δ� pode ser adequadamente aproximada por uma FDP mais simples definida para todos os valores não negativos de δ� . Um tratamento rigoroso, usando inferência bayesiana [51], que se aplica independentemente das magnitudes de �(O�) e (O�), é possível, mas está além do escopo deste Suplemento. Veja também o item 1, NOTA 2.
9.4.2.1.2 δ� e �(δ�) podem geralmente ser obtidos analiticamente como a esperança e o desvio-padrão de δ� , conforme a FDP de δ� . Ver F.1. A FDP de δ� pode ser obtida analiticamente quando O� = 0 e usada, nesse caso, para determinar, em particular, os limites do mínimo intervalo de abrangência de 95 %. Ver F.2.
9.4.2.1.3 A metodologia de incerteza do GUM com termos de primeira ordem e com termos de ordem superior é aplicada, no caso não correlacionado, para cada uma das três estimativas O�. Ver F.3. Em cada caso é formada uma estimativa δ� de δ� [GUM 4.1.4] a partir de
δ� = O�� + O��
9.4.2.1.4 O MMC é aplicado, em cada caso, com s = 10× iterações.
9.4.2.2 Estimativa de entrada O� = 0
9.4.2.2.1 Para a estimativa de entrada O� = 0, termos de ordem superior devem ser usados ao aplicar a lei de propagação de incertezas, porque as derivadas parciais de _� em relação a � e �, avaliadas em � = O� e � = O�, são identicamente zero quando O� = O� = 0. Assim, se a lei de propagação de incertezas fosse aplicada apenas com termos de primeira ordem, a incerteza-padrão resultante seria incorretamente computada como zero.
NOTA Dificuldade semelhante surgiria para O� próximo de zero
9.4.2.2.2 A Figura 11 mostra as FDPs para _� determinadas pela aplicação da propagação de distribuições
a) analiticamente (curva exponencialmente decrescente para_� ≥ 0, e zero para _� < 0), b) usando a metodologia de incerteza do GUM com termos de ordem superior, a fim de
caracterizar a grandeza de saída por uma FDP gaussiana (curva em forma de sino), e c) pela aplicação da propagação de distribuições usando o MMC (distribuição de
frequência escalada).
JCGM 101:2008
——————————————————————————
73
Figura 11 - Resultados para o modelo de comparação de perdas na calibração de medidor de potência no caso O� = O� = 0, com �(O�) = �(O�) = 0,005, e �(O�, O�) = 0 (9.4.2.2.2, 9.4.2.2.6, 9.4.2.2.9 e 9.4.2.2.11)
9.4.2.2.3 Pode ser visto na figura que o uso da metodologia de incerteza do GUM com termos de ordem superior, de modo a caracterizar a grandeza de saída por uma distribuição gaussiana, produz uma FDP que é muito diferente da solução analítica. Esta última toma a forma de uma particular distribuição qui-quadrado ─ soma dos quadrados de duas variáveis gaussianas padrão (ver F.2).
9.4.2.2.4 Uma vez que as derivadas parciais da função modelo (28) de ordem maior que dois são todas identicamente nulas, a solução obtida corresponde essencialmente a considerar todos os termos da série de Taylor, ou seja, a total não-linearidade do problema. Dessa maneira, com o uso da metodologia de incerteza do GUM, a específica distribuição gaussiana assim obtida é a melhor possível para caracterizar, com tal distribuição, a grandeza de saída.
9.4.2.2.5 Pode-se concluir, portanto, que a razão para o fato de a solução baseada na metodologia de incerteza do GUM ser discrepante da solução analítica é que a grandeza de saída associada àquela metodologia é caracterizada por uma FDP gaussiana. Nenhuma FDP gaussiana, independentemente da forma como tenha sido obtida, pode representar adequadamente a solução analítica neste caso.
9.4.2.2.6 Adicionalmente, pode ser visto na Figura 11 que a FDP proveniente do MMC é consistente com a solução analítica.
9.4.2.2.7 As estimativas _� determinadas como as respectivas esperanças de _�, descritas pelas FDPs obtidas
a) analiticamente, b) usando a metodologia de incerteza do GUM, e c) aplicando o MMC,
são dadas nas colunas 2 a 4 da linha correspondente a O� = 0,000 na Tabela 8. As colunas 5 a 8 contêm as �(_�) correspondentes, com aquelas obtidas usando a metodologia de incerteza do GUM com termos de primeira ordem (G1) e de ordens superiores (G2).
Desvio _� da unidade na comparação de perdas / 10-6
Den
sid
ade
de
pro
bab
ilid
ade
/ 10
-3
JCGM 101:2008
——————————————————————————
74
Tabela 8 - Resultados da comparação de perdas, para estimativas de entrada com covariância zero associada, obtidos analiticamente (A), usando a metodologia de incerteza
do GUM com termos de primeira ordem (G1) e superiores (G2), e o MMC (M) (9.4.2.2.7, 9.4.2.2.10, 9.4.2.3.4, 9.4.2.4.2)
M� Estimativa ù÷/�ú$�
Incerteza-padrão o(ù÷)/�ú$� Mínimo intervalo de abrangência de 95% para ù�/�ú$�
A G M A G1 G2 M A G1 G2 M 0,000 50 0 50 50 0 50 50 A0; 150B A0; 0B A−98; 98B A0; 150B 0,010 150 100 150 112 100 112 112 - A−96; 296B A−119; 319B A0; 367B 0,050 2550 2500 2551 502 500 502 502 - A1520; 3480B A1515; 3485B A1590; 3543B 9.4.2.2.8 É inválida a estimativa _� = 0 obtida pela avaliação do modelo nas estimativas de entrada (GUM): a FDP correta (analítica) de δ� é identicamente nula para δ� < 0; a estimativa _� = 0 situa-se no limite da parte diferente de zero daquela função. A estimativa fornecida pelo MMC está de acordo com a obtida analiticamente. A lei de propagação de incertezas baseada em termos de primeira ordem gera o já referido valor errado, zero, para �(δy). O valor (50 × 10$×) que se obtém aplicando-se a lei de propagação de incertezas, usando termos de ordem superior, está de acordo com os obtidos analiticamente e pelo MMC.
NOTA Os resultados obtidos de várias simulações de MMC apresentaram um espalhamento em torno de 50 × 10$×. Quando o MMC foi novamente repetido diversas vezes com um valor maior para s, os resultados ficaram novamente espalhados em torno de 50 × 10$×, porém com uma menor dispersão. Tais efeitos de dispersão são esperados, tendo sido observados em outros cálculos realizados com o Monte Carlo. A observação das diferenças numéricas reais exigiria que a expressão dos resultados fosse feita com mais algarismos decimais significativos.
9.4.2.2.9 A Figura 11 mostra também os menores intervalos de abrangência de 95 % para as aproximações correspondentes à função distribuição para δ�. O intervalo de abrangência de 95 % fornecido pela metodologia de incerteza do GUM, e representado pelas linhas verticais pontilhadas, não é aceitável: é simétrico em relação a δ� = 0, implicando equivocadamente que existiria uma probabilidade de 50 % de que δ� pudesse ser negativo. As linhas verticais cheias representam os limites do mínimo intervalo de abrangência de 95 % derivado de uma solução analítica, como descrito em F.2. Os pontos extremos do mínimo intervalo de abrangência de 95 % determinado pelo MMC são graficamente indistinguíveis daqueles referentes à solução analítica.
9.4.2.2.10 Os pontos extremos dos mínimos intervalos de abrangência referentes às incertezas-padrão, nas colunas 5 a 8 da linha correspondente a O� = 0,000 na Tabela 8, são dados nas colunas 9 a 12 da mesma tabela.
9.4.2.2.11 A Figura 12 mostra o comprimento do intervalo de abrangência de 95 % (ver 7.7) como função do valor da probabilidade à esquerda de seu ponto extremo inferior para a aproximação da FDP fornecida pelo MMC mostrado na Figura 11. O intervalo de abrangência de 95 %, neste caso, não assume seu menor comprimento quando localizado simetricamente com respeito à esperança. De fato, o mínimo intervalo de abrangência de 95 % está o mais afastado possível do intervalo de abrangência probabilisticamente simétrico, as probabilidades da cauda esquerda e da direita sendo 0 % e 5 %, respectivamente, em oposição a 2,5 % e 2,5 % (intervalo simétrico). Esta figura pode ser comparada com aquela (Figura 7) referente ao modelo aditivo em 9.2, para o qual a FDP para � é simétrica em relação a sua esperança.
JCGM 101:2008
——————————————————————————
75
9.4.2.3 Estimativa de entrada O� = 0,010
9.4.2.3.1 A Figura 13 mostra, para a estimativa de entrada O� = 0,010, com coeficiente de correlação �(O�, O�) = 0, as FDPs obtidas usando-se a metodologia de incerteza do GUM com termos apenas de primeira ordem e com termos de ordem superior, e com o uso do MMC.
9.4.2.3.2 A FDP fornecida pelo MMC exibe um modesto flanco lateral à esquerda (do pico), embora truncado em zero, o menor valor numérico possível para δ�. Adicionalmente, em comparação com os resultados para O� = 0, apresenta-se mais próxima da forma gaussiana das FDPs obtidas com a metodologia de incerteza do GUM. Essas FDPs gaussianas estão, por sua vez, razoavelmente próximas uma da outra, com δ� tendo uma experança de 1,0 × 10$� e desvios-padrão de 1,0 × 10$� e 1,1 × 10$�, respectivamente.
9.4.2.3.3 A Figura 13 mostra também os pontos extremos dos menores intervalos de abrangência de 95 % obtidos pelas três abordagens. As linhas cheias verticais denotam os pontos extremos do intervalo fornecido pelo MMC, as linhas tracejadas verticais são resultantes da metodologia de incerteza do GUM com termos apenas de primeira ordem e as linhas pontilhadas verticais com termos de ordem superior. Os intervalos fornecidos pela metodologia de incerteza do GUM estão deslocados para a esquerda com relação ao mínimo intervalo de abrangência de 95 % do MMC. Como consequência, eles novamente incluem valores inaceitáveis para δ�. O deslocamento é de cerca de 70 % da incerteza-padrão. O intervalo obtido pelo MMC tem seu ponto extremo esquerdo em zero, o menor valor aceitável.
Figura 12 – Comprimento do intervalo de abrangência de 95 % em função do valor da probabilidade no seu ponto extremo esquerdo, para a aproximação de uma função
distribuição obtida pela aplicação do MMC ao modelo (28) (9.4.2.2.11)
Probabilidade no ponto extremo esquerdo
Tam
anh
o d
o in
terv
alo
de
abra
ngê
nci
a /
10
-6
JCGM 101:2008
——————————————————————————
76
Figura 13 – Como na Figura 11, exceto que O� = 0,010, e apresentando as FDPs resultantes da metodologia de incerteza do GUM com termos apenas de primeira ordem (curva com pico
mais alto) e com termos de ordem superior (curva com pico mais baixo) (9.4.2.3.1), (9.4.2.3.3), (9.4.2.4.1), (9.4.3.3)
9.4.2.3.4 Os resultados correspondentes são dados na penúltima linha da Tabela 8.
9.4.2.4 Estimativa de entrada O� = 0,050
9.4.2.4.1 A Figura 14 é similar à Figura 13, porém para O� = 0,050. Agora, as FDPs para ambas as variantes da metodologia de incerteza do GUM são praticamente indistinguíveis. Além disso, elas são agora muito semelhantes à aproximação da FDP fornecida pelo MMC. Esta FDP exibe uma leve assimetria, mais evidenciada nas regiões dos flancos. Os intervalos de abrangência fornecidos pelas duas variantes da metodologia de incerteza do GUM são, visualmente, praticamente idênticos, porém ainda deslocados daquele fornecido pelo MMC. O deslocamento é agora cerca de 10 % da incerteza-padrão. Os intervalos fornecidos pela metodologia de incerteza do GUM são, neste caso, possíveis.
Desvio _� da unidade na comparação de perdas / 10-6
Den
sid
ade
de
pro
bab
ilid
ade
/ 10
-3
Desvio _� da unidade na comparação de perdas / 10-6
Den
sid
ade
de
pro
bab
ilid
ade
/ 10
-3
JCGM 101:2008
——————————————————————————
77
Figura 14 – Conforme a Figura 13, exceto que O� = 0,050 (9.4.2.4.1), (9.4.3.3)
9.4.2.4.2 Os resultados correspondentes são dados na última linha da Tabela 8.
9.4.2.5 Discussão
Os resultados fornecidos pela metodologia de incerteza do GUM, com termos de primeira ordem e com a inclusão de termos de ordem superior, e os fornecidos pelo MMC tornam-se mais próximos entre si à medida que O� se afasta progressivamente do zero.
NOTA 1 Os valores numéricos O� = O� = 0 ficam no centro da região de interesse para o engenheiro elétrico, correspondendo à assim chamada condição “ajustada” para o medidor de energia a ser calibrado, não se constituindo, dessa forma, em caso extremo.
NOTA 2 Devido à simetria do modelo com relação a � e �, exatamente o mesmo efeito ocorreria se O� fosse usado no lugar de O�.
NOTA 3 Uma razão pela qual a metodologia de incerteza do GUM com termos (apenas) de primeira ordem é usada na prática é que softwares para a sua implementação estão em geral facilmente disponíveis: os resultados que daí se obtém podem ser aceitos, em muitos casos, sem questionamento. Para o caso em que O� = O� = 0 (Figura 11), a inadequação de seu uso seria evidente, porque a incerteza-padrão �(δ�) foi computada como sendo igual a zero e, consequentemente, qualquer intervalo de abrangência para δ� teria comprimento zero para qualquer probabilidade de abrangência. Para O� ≠ 0 (ou O� ≠ 0), tanto �(δ�) como o comprimento do intervalo de abrangência para δ� são diferentes de zero, como o quê nenhum aviso de advertência estaria disponível sem um prévio conhecimento de valores possíveis para �(δ�) e para esse comprimento. Portanto, um perigo na implantação de um software baseado na metodologia de incerteza do GUM para esses cálculos é que checagens do software para O� ou O� suficientemente afastados do zero não indicariam tais problemas. No entanto, quando usado subsequentemente na prática para valores pequenos de O� ou O�, os resultados poderiam ser inválidos, porém provavelmente (e inadvertidamente) aceitos.
9.4.3 Propagação e resumo: covariância diferente de zero
9.4.3.1 Generalidades
9.4.3.1.1 As três abordagens usadas nos casos em que as U são não correlacionadas (ver 9.4.2) são agora aplicadas para os três casos correspondentes em que elas são correlacionadas, com �(O�, O�) = 0,9. Contudo, a metodologia de incerteza do GUM é utilizada com termos apenas de primeira ordem. Diferentemente dos casos em que as U são não correlacionadas, a metodologia de incerteza do GUM não é aplicada com termos de ordem superior, pois não é fornecida no GUM nenhuma fórmula correspondente contendo termos de ordem superior quando os OU têm covariâncias associadas diferentes de zero (ver 5.8). Os outros aspectos são semelhantes àqueles referidos em 9.4.2.
9.4.3.1.2 Para a metodologia de incerteza do GUM com termos de primeira ordem, �(δ�) é avaliada como descrito em F.3.2. A expressão (F.7) naquele subitem fornece, para O� = 0,
��(δ�) = 4O����(O�).
JCGM 101:2008
——————————————————————————
78
Consequentemente, �(δ�) não depende de �(O�, O�) e a metodologia de incerteza do GUM com termos de primeira ordem produz resultados idênticos àqueles apresentados em 9.4.2. Particularmente, para o caso em que também O� = 0, �(δ�) é (incorretamente) calculada como sendo zero, conforme 9.4.2.2.1.
9.4.3.1.3 O MMC foi implementado pela amostragem aleatória de D caracterizada por uma FDP gaussiana bivariada com a esperança e a matriz de covariância previamente especificadas (expressões (27)). Foi utilizado o procedimento descrito em C.5.
NOTA Afora a exigência de que as amostragens sejam feitas a partir de uma distribuição multivariada, a implementação do MMC para grandezas de entrada correlacionadas não é mais complicada do que quando as grandezas de entrada são não correlacionadas.
9.4.3.2 Estimativas de entrada O� = 0; 0,010e0,050
9.4.3.2.1 A Tabela 9 apresenta os resultados obtidos. Aqueles provenientes do MMC indicam que embora δ� não seja afetada pela correlação entre as U, �(δ�) é bastante influenciada, e mais ainda para pequenos valores de O� , o mesmo acontecendo com os intervalos de abrangência de 95 %.
Tabela 9 – Resultados da comparação de perdas para estimativas de entrada com covariância associada não nula (�(O�, O�) = 0,9) obtidos analiticamente, usando a metodologia de
incerteza do GUM (MIG) e o MMC (9.4.3.2.1)
M� Estimativa ù÷/�ú$� Incerteza-padrão o(ù÷)/�ú$� Mínimo intervalo de abrangência de 95% para ù�/�ú$�
Analítico MIG MMC Analítico MIG MMC Analítico MIG MMC 0,000 50 0 50 67 0 67 − A0; 0B A0; 185B 0,010 150 100 150 121 100 121 − A−96; 296B A13; 398B 0,050 2550 2500 2551 505 500 504 − A1520; 3480B A1628; 3555B 9.4.3.2.2 As Figuras 15 e 16 mostram as FDPs fornecidas pela metodologia de incerteza do GUM com termos de primeira ordem (curvas em formato de sino) e pelo MMC (distribuições de frequência escaladas) nos casos O� = 0,010 e O� = 0,050 , respectivamente. Os pontos extremos dos menores intervalos de abrangência de 95 % fornecidos pelas duas abordagens são também mostrados, para a metodologia de incerteza do GUM em linhas pontilhadas, e para o MMC em linhas cheias verticais.
NOTA A rigor, as condições sob as quais δ� pode ser caracterizado por uma FDP gaussiana não se mantém quando se segue uma aplicação da metodologia de incerteza do GUM nessa circunstância (ver 5.8) [GUM G.6.6]. Entretanto, esta FDP e os pontos extremos correspondentes ao intervalo de abrangência de 95 % são mostrados porque tal caracterização é comumente usada.
9.4.3.3 Discussão
No caso em que O� = 0,010 (Figura 15), o efeito da correlação muda claramente os resultados fornecidos pelo MMC (comparar com a Figura 13). Não somente a FDP (aproximação) tem o formato alterado, mas também o intervalo de abrangência correspondente não mais tem seu ponto extremo esquerdo em zero. No caso em que O� = 0,050 (Figura 16), são menos óbvias as diferenças entre os resultados obtidos para os casos em que as grandezas de entrada são correlacionadas e não correlacionadas (comparar com a Figura 14).
JCGM 101:2008
——————————————————————————
79
Figura 15 – Resultados para o modelo de comparação de perdas em uma calibração de medidor de potência no caso em que O� = 0,010, O� = 0, com �(O�) = �(O�) = 0,005 e �(O�, O�) = 0,9 (9.4.3.2.2, 9.4.3.3)
Figura 16 – Como na Figura 15, exceto que O� = 0,050 (9.4.3.2.2, 9.4.3.3)
9.5 Calibração de blocos-padrão
9.5.1 Formulação: modelo
9.5.1.1 O comprimento de um bloco-padrão de valor nominal de 50 mm é determinado
comparando-o com o de um padrão de referência conhecido, com o mesmo comprimento
nominal. A saída direta da comparação entre os dois blocos-padrão é a diferença � entre seus
comprimentos, dada por
Desvio _� da unidade na comparação de perdas / 10-6
Den
sid
ade
de
pro
bab
ilid
ade
/ 10
-3
Desvio _� da unidade na comparação de perdas / 10-6
Den
sid
ade
de
pro
bab
ilid
ade
/ 10
-3
JCGM 101:2008
——————————————————————————
80
� = `(1 + d�) − `â(1 + dâ�â), (29)
onde ` é o comprimento a 20 °C do bloco-padrão em calibração, `â é o comprimento do padrão
de referência a 20 °C conforme indicado no seu certificado de calibração, d e dâ são os
coeficientes de expansão térmica, respectivamente, do bloco em calibração e do padrão de
referência, e � e �â são os também respectivos desvios de temperatura com relação à
temperatura de referência de 20 °C.
NOTA 1 Bloco-padrão é a tradução aqui usada para os termos ingleses gauge block e end gauge (no
GUM).
NOTA 2 O símbolo ` para comprimento de um bloco-padrão é usado neste Suplemento em lugar do
símbolo ë usado no GUM para essa grandeza.
9.5.1.2 Da expressão (29), a grandeza de saída ` é dada por
` = `â(1 + dâ�â) + �1 + d� , (30)
a partir da qual, para uma aproximação adequada para a maioria dos fins práticos,
` = `â + � + `â(dâ�â − d�). (31)
Se a diferença de temperatura entre o bloco-padrão em calibração e o padrão de referência é
escrita como _� = � − �â, e a diferença entre os respectivos coeficientes de expansão
térmica como _d = d −dâ, os modelos (30) e (31) se tornam, respectivamente,
` = `âA1 + dâ(� − _�)B + �1 + (dâ + _d)� (32)
e
` = `â + � − `â(�_d + dâ_�). (33)
9.5.1.3 A diferença � entre os comprimentos do bloco-padrão em calibração e do padrão de
referência é determinada como a média de uma série de cinco indicações dessa diferença
(obtidas independentemente) usando um comparador calibrado. Essa diferença pode ser
expressa como
� = � + �� + ��, (34)
JCGM 101:2008
——————————————————————————
81
onde � é uma grandeza cuja realização corresponde à média das cinco indicações, e �� e �� são
grandezas que descrevem, respectivamente, os efeitos aleatórios e sistemáticos associados ao
uso do comparador.
9.5.1.4 A grandeza � , que representa o desvio de temperatura do bloco-padrão em
calibração, com relação à temperatura de referência (20 °C), pode ser expressa como
� = �9 + Δ, (35)
onde �9 é uma grandeza que representa o desvio médio de temperatura do bloco-padrão com
relação a 20 °C e ∆ é uma grandeza que descreve uma variação cíclica do desvio de temperatura
de �9.
9.5.1.5 Substituindo as expressões (34) e (35) nas expressões (32) e (33), e trabalhando com
a grandeza _`, que representa o desvio de ` do comprimento nominal
`nom = 50mm
do bloco-padrão, resulta
_` = `âA1 + dâ(�9 + Δ − _�)B + � + �� + ��1 + (dâ + _d)(�9 + Δ) − `nom (36)
e
_` = `â + � + �� + �� − `âA_d(�9 + Δ) + dâ_�B − `nom (37)
como modelos para o problema de medição.
9.5.1.6 O tratamento dado aqui ao problema de medição é feito em termos dos modelos (36)
e (37) com grandeza de saída _` e grandezas de entrada `â, �, ��, ��, dâ, �9, ∆, _d e _�. Ele
difere daquele dado no exemplo H.1 do GUM, em que os modelos (34) e (35) acima são
tratados como submodelos para os modelos (32) e (33), ou seja, a metodologia de incerteza do
GUM é aplicada a (34) e (35), com os resultados obtidos sendo utilizados para fornecer
informações sobre as grandezas de entrada � e � nos modelos (32) e (33). Este tratamento
dado aqui evita ter de usar os resultados obtidos a partir do MMC aplicado aos submodelos (34)
e (35) como subsídio de informação sobre as distribuições para as grandezas de entrada � e �
nas expressões (32) e (33).
9.5.2 Formulação: atribuição das FDPs
9.5.2.1 Generalidades
JCGM 101:2008
——————————————————————————
82
As informações disponíveis sobre cada grandeza de entrada nos modelos (36) e (37) são fornecidas nos subitens a seguir. Essas informações são extraídas da descrição dada no GUM e, para cada informação, é identificada a subseção do GUM da qual o item foi extraído. É também fornecida uma interpretação, para cada informação, em termos de atribuição de uma distribuição a cada grandeza. A Tabela 10 resume as atribuições feitas.
Tabela 10 – FDPs atribuídas a grandezas de entrada para os modelos de blocos-padrão (36) e (37) com base em informações disponíveis (9.5.2.1). A Tabela 1 fornece informações gerais
sobre essas FDPs
Grandeza FDP Parâmetros * + 1 } ~ � `¨ 5-(*, +�) 50000623nm 25nm 18
� 5-(*, +�) 215nm 6nm 24 �� 5-(*, +�) 0nm 4nm 5 �� 5-(*, +�) 0nm 7nm 8 d¨ R(}, ~) 9,5 × 10$×°C$� 13,5 × 10$×°C$�
�9 N(*, +�) −0,1°C 0,2°C
Δ U(}, ~) −0,5°C$� 0,5°C$� _d CTrap(}, ~, �) −1,0 × 10$×°C$� 1,0 × 10$×°C$� 0,1 × 10$×°C$� _� CTrap(}, ~, �) −0,050°C 0,050°C 0,025°C
9.5.2.2 Comprimento `â do padrão de referência
9.5.2.2.1 Informação
O certificado de calibração para o padrão de referência fornece `â� = 50,000623mm como seu
comprimento a 20 °C [GUM H.1.5]. Fornece ij = 0,075μm como a incerteza expandida do
padrão de referência e afirma que ela foi obtida usando um fator de abrangência �j = 3 [GUM
H.1.3.1]. O certificado indica que o número efetivo de graus de liberdade associado com a
incerteza-padrão combinada, a partir da qual a incerteza expandida citada foi obtida, é 1eff "�V`â� X& = 18 [GUM H.1.6].
9.5.2.2.2 Interpretação
Atribuir a `â uma distribuição-t escalada e deslocada 5-(*, +�) (ver 6.4.9.7) com
* = 50000623nm, + = ij�j = 753 nm = 25nm,1 = 18.
9.5.2.3 Média das diferenças de comprimento �
9.5.2.3.1 Informação
A média �� das cinco indicações da diferença de comprimento entre o bloco-padrão sendo
calibrado e o padrão de referência é 215 nm [GUM H.1.5]. O desvio-padrão experimental
agrupado que caracteriza a comparação de ` e `â foi determinado a partir de 25 indicações,
JCGM 101:2008
——————————————————————————
83
obtidas independentemente, da diferença de comprimento de dois blocos-padrão, sendo igual
a 13 nm [GUM H.1.3.2].
9.5.2.3.2 Interpretação
Atribuir uma distribuição-t escalada e deslocada 5-(*, +�) (ver 6.4.9.2 e 6.4.9.6) para �, com
* = 215nm, + = 13√5nm = 6nm,1 = 24.
9.5.2.4 Efeito aleatório �� do comparador
9.5.2.4.1 Informação
De acordo com o certificado de calibração do comparador usado para comparar ` com `¨, a
incerteza associada devida a efeitos aleatórios é 0,01 µm para uma probabilidade de
abrangência de 95 %, e é obtida de seis indicações independentes [GUM H.1.3.2].
9.5.2.4.2 Interpretação
Atribuir uma distribuição-t escalada e deslocada 5-(*, +�) (ver 6.4.9.7) para ��, com
* = 0nm, + = i9,§¬�9,§¬ = 102,57 nm = 4nm,1 = 5.
Aqui, �9,§¬ é obtido da tabela G.2 do GUM com 1 = 5 graus de liberdade e e = 0,95.
9.5.2.5 Efeito sistemático �� do comparador
9.5.2.5.1 Informação
A incerteza do comparador devida a efeitos sistemáticos é dada no certificado como 0,02 µm ao
“nível de três sigmas” [GUM H.1.3.2]. Esta incerteza pode ser considerada confiável a 25 % e,
portanto, o número de graus de liberdade é 1eff "�V��aX& = 8 [GUM H.1.6].
9.5.2.5.2 Interpretação
Atribuir uma distribuição-t escalada e deslocada 5-(*, +�) (ver 6.4.9.7) para ��, com
* = 0nm, + = ij�j = 203 nm = 7nm,1 = 8.
9.5.2.6 Coeficiente de expansão térmica dâ
JCGM 101:2008
——————————————————————————
84
9.5.2.6.1 Informação
O coeficiente de expansão térmica do padrão de referência é dado como dâ� = 11,5 × 10$×°C-1
com possíveis valores desta grandeza representados por uma distribuição retangular com
limites ±2 × 10$×°C-1 [GUM H.1.3.3].
9.5.2.6.2 Interpretação
Atribuir uma distribuição retangular R(}, ~) (ver 6.4.2) para dâ, com limites
} = 9,5 × 10$×°C-1, ~ = 13,5 × 10$×°C-1.
NOTA Não há informações sobre a confiabilidade dos limites e, portanto, uma distribuição retangular
com limites exatamente conhecidos é atribuída. Tal informação pode ter sido omitida da descrição no
GUM porque o coeficiente de sensibilidade correspondente é zero, e assim a grandeza não contribui em
uma aplicação da metodologia de incerteza do GUM baseada apenas em termos de primeira ordem.
9.5.2.7 Desvio médio de temperatura �9
9.5.2.7.1 Informação
A temperatura da bancada de ensaio é relatada como (19,9 ± 0,5)°C. O desvio médio de
temperatura �9a = −0,1°C é relatado como tendo uma incerteza-padrão associada, devida à
incerteza associada à temperatura média da bancada de ensaio, de �V�9aX = 0,2°C [GUM
H.1.3.4].
9.5.2.7.2 Interpretação
Atribuir uma distribuição gaussiana N(*, +�) (ver 6.4.7) para �9, com
* = −0,1°C, + = 0,2°C.
NOTA Não há informações sobre a origem da avaliação da incerteza e, portanto, uma distribuição
gaussiana é atribuída. Ver também a NOTA em 9.5.2.6.2 sobre essas informações.
9.5.2.8 Efeito ∆ de variação cíclica de temperatura
9.5.2.8.1 Informação
A temperatura da bancada de ensaio é relatada como (19,9 ± 0,5)°C. O deslocamento
máximo declarado de 0,5°C para ∆ é dito representar a amplitude de uma variação
aproximadamente cíclica de temperatura sob um sistema termostático. A variação cíclica da
temperatura resulta numa distribuição em forma de U (arco seno) [GUM H.1.3.4].
JCGM 101:2008
——————————————————————————
85
9.5.2.8.2 Interpretação
Atribuir uma distribuição arco seno U(}, ~) (ver 6.4.6) para �, com limites
} = −0,5°C, ~ = 0,5°C.
NOTA Não há informações sobre a confiabilidade dos limites e, assim, uma distribuição em forma de
U com limites exatamente conhecidos é atribuída. Como observado na NOTA de 9.5.2.6.2, tal
informação pode ter sido omitida da descrição no GUM.
9.5.2.9 Diferença _d entre os coeficientes de expansão
9.5.2.9.1 Informação
Os limites estimados na variabilidade de _d são ±1 × 10$×°C$� , com _d tendo igual
probabilidade dentro daqueles limites [GUM H.1.3.5]. Estes limites são considerados confiáveis
em 10 %, resultando em 1(�(_da)) = 50 [GUM H.1.6].
9.5.2.9.2 Interpretação
Atribuir a _d uma distribuição retangular com limites prescritos inexatos (ver 6.4.3), com
} = −1,0 × 10$×°C$�, ~ = 1,0 × 10$×°C$�,� = 0,1 × 10$×°C$�.
A confiabilidade declarada de 10% nos limites estimados fornece a base para este valor de �.
9.5.2.10 Diferença _� de temperatura
9.5.2.10.1 Informação
Embora se espere que o padrão de referência e o bloco-padrão em calibração estejam na
mesma temperatura, a diferença de temperatura _� podia estar, com igual probabilidade, em
qualquer lugar no intervalo estimado de −0,05°C a 0,05°C [GUM H.1.3.6]. Supõe-se- que esta
diferença seja confiável em apenas 50%, resultando em 1(�(_�a)) = 2 [GUM H.1.6].
9.5.2.10.2 Interpretação
Atribuir uma distribuição retangular com limites prescritos inexatos (ver 6.4.3) para _�, com
} = −0,050°C, ~ = 0,050°C,� = 0,025°C.
A confiabilidade declarada de 50 % fornece a base para este valor de �.
9.5.3 Propagação e resumo
JCGM 101:2008
——————————————————————————
86
9.5.3.1 A metodologia de incerteza do GUM
A aplicação da metodologia de incerteza da GUM baseia-se
─ numa aproximação da série de Taylor de primeira ordem ao modelo (36) ou (37),
─ na utilização da fórmula de Welch-Satterthwaite para avaliar o número efetivo de graus de
liberdade (arredondado para o inteiro próximo inferior) associado à incerteza obtida pela lei de
propagação de incertezas, e
─ na atribuição de uma distribuição-t escalada e deslocada, com o número de graus de
liberdade obtido acima, para a grandeza de saída.
9.5.3.2 Método de Monte Carlo (MMC)
A aplicação do MMC
─ requer amostragens de distribuição retangular (ver 6.4.2.4 e C.3.3), distribuição gaussiana
(ver 6.4.7.4 e C.4), distribuição-t (ver 6.4.9.5 e C.6), distribuição em forma de U (ver 6.4.6.4), e
distribuição retangular com limites prescritos inexatos (ver 6.4.3.4), e
─ implementa o MMC adaptativo (ver 7.9) com uma tolerância numérica (_ = 0,5) instituída
para fornecer �dig = 2 dígitos decimais significativos na incerteza-padrão.
9.5.4 Resultados
9.5.4.1 A Tabela 11 apresenta os resultados obtidos para o modelo aproximado (37)
utilizando a informação resumida na Tabela 10. A Figura 17 mostra as FDPs para _` obtidas a
partir da aplicação da metodologia de incerteza do GUM (curva sólida) e do MMC (distribuição
de frequência escalada). A distribuição obtida a partir da metodologia de incerteza do GUM é
uma distribuição-t com 1 = 16 graus de liberdade. Os pontos extremos dos menores
intervalos de abrangência de 99 % para _`, obtidos a partir das FDPs, e indicados como linhas
verticais, são visualmente indistinguíveis.
9.5.4.2 1,26 ×10× iterações foram realizadas pelo procedimento de Monte Carlo
adaptativo. Os cálculos foram realizados também para uma probabilidade de abrangência de
95 %, para a qual foram executadas 0,53 × 10× iterações.
Tabela 11 – Resultados obtidos para o modelo aproximado (37) utilizando as informações
resumidas na Tabela 10 (9.5.4.1, 9.5.4.3)
Método ù a /nm o(ù a) /nm
Mínimo intervalo de abrangência de 99 % para ù /nm
MIG 838 32 A745; 931B MMC 838 36 A745; 932B
JCGM 101:2008
——————————————————————————
87
Figura 17 - FDPs para _` obtidas usando a metodologia de incerteza do GUM (curva contínua
em forma de sino) e MMC (histograma escalonado) para o modelo aproximado (37) usando as
informações resumidas na Tabela 10 (9.5.4.1)
9.5.4.3 Os resultados obtidos para o modelo não-linear (36) são idênticos aos resultados na
Tabela 11 para o número de dígitos decimais lá citados.
9.5.4.4 Há algumas modestas diferenças nos resultados obtidos. �(_a) foi 4 nm maior para a
aplicação do MMC que para a aplicação da metodologia de incerteza do GUM. A largura do
intervalo de abrangência de 99 % para _` foi 1 nm maior. Estes resultados aplicam-se
igualmente ao modelo não-linear e ao modelo aproximado. Quanto à importância dessas
diferenças, ela deve ser julgada levando-se em conta a aplicação que se pretende dar aos
resultados.
Desvio do comprimento do bloco-padrão para o nominal / nm
Den
sid
ade
de
pro
bab
ilid
ade
/ n
m-1
JCGM 101:2008
——————————————————————————
88
Anexo A Perspectiva histórica
A.1 O GUM é um documento bastante abrangente, cobrindo muitos aspectos da avaliação de incerteza. Embora não refira explicitamente o uso de um método de Monte Carlo, tal uso foi reconhecido durante a elaboração do GUM. O esboço do documento ISO/IEC/OIML/BIPM (Primeira Edição) de junho de 1992, produzido pela ISO/TAG 4/WG 3, afirma [G.1.5]:
Se a relação entre � e suas grandezas de entrada não é linear, ou se os valores disponíveis para os parâmetros que caracterizam as probabilidades dos U (esperança, variância, momentos superiores) são apenas estimativas e são eles próprios caracterizados por distribuições de probabilidade, e uma expansão de série de Taylor de primeira ordem da relação não é uma aproximação aceitável, a distribuição de � não pode ser expressa como uma convolução. Neste caso, uma abordagem numérica (tal como cálculos de Monte Carlo) será em geral necessária e a avaliação é computacionalmente mais difícil.
A.2 Na versão publicada do GUM, este subitem (G.1.5) foi modificado para ser lido como:
Se a relação funcional entre � e suas grandezas de entrada é não-linear e se uma expansão de primeira ordem da série de Taylor da relação não é uma aproximação aceitável (ver 5.1.2 e 5.1.5), então a distribuição de probabilidade de � não pode ser obtida pela convolução das distribuições das grandezas de entrada. Em tais casos, outros métodos, analíticos ou numéricos, são requeridos.
A.3 A interpretação feita aqui desta reformulação é que “outros métodos analíticos ou numéricos” englobam qualquer outra abordagem apropriada. Esta interpretação é consistente com a do Instituto Nacional de Padrões e Tecnologia dos Estados Unidos – NIST [50]:
[6.6] A política do NIST prevê exceções, como a seguir (ver Anexo C):
Entende-se que qualquer método estatístico válido, que seja tecnicamente justificado sob as circunstâncias existentes, pode ser usado para determinar o equivalente de �U, �b ou i. Além disso, reconhece-se que acordos internacionais, nacionais ou contratuais dos quais o NIST é parte podem ocasionalmente exigir algum desvio da política do NIST. Em qualquer desses casos, o relatório de incerteza deve documentar o que foi feito e porque foi feito.
JCGM 101:2008
——————————————————————————
89
JCGM 101:2008
Anexo B Coeficientes de sensibilidade e balanços de incerteza
B.1 Nem a propagação de distribuições nem sua implementação usando o MMC proveem coeficientes de sensibilidade [GUM 5.1.3]. Contudo, mantendo todas as grandezas de entrada, menos uma de interesse, fixadas em suas melhores estimativas, o MMC pode ser usado para fornecer, de acordo com o modelo tratado, a FDP para a grandeza de saída tendo apenas aquela grandeza de entrada como uma variável [8]. A razão entre o desvio-padrão dos valores resultantes do modelo (cf. 7.6) e a incerteza-padrão associada à melhor estimativa da grandeza de entrada de interesse pode ser tomada como um coeficiente de sensibilidade (relativo a essa grandeza). Essa razão corresponde àquela que seria obtida levando-se em consideração todos os termos de ordem superior na expansão da série de Taylor do modelo usado. Esta abordagem pode ser vista como uma generalização da fórmula de derivada parcial aproximada usada no GUM [GUM 5.1.3 Nota 2]. Tanto o valor dos coeficientes de sensibilidade como o valor das contribuições de cada grandeza de entrada para a incerteza associada à estimativa da grandeza de saída serão em geral diferentes daqueles obtidos com o GUM.
B.2 Em muitos contextos de medição é prática comum listar os componentes de incerteza (�U(�) = |çU|�(OU), k = 1, . . . , J , onde çU é o i-ésimo coeficiente de sensibilidade e �(OU) a incerteza-padrão associada à k-ésima estimativa de entrada OU) que contribuem para a incerteza-padrão �(�). Geralmente estes componentes são apresentados em uma tabela, o “balanço de incerteza”. Essa prática pode ser útil para identificar os termos dominantes que contribuem para a incerteza �(�) associada à estimativa da grandeza de saída. No entanto, nos casos em que a (implementação válida da) propagação de distribuições seja mais apropriada, um balanço de incerteza deve ser considerado como uma ferramenta qualitativa.
JCGM 101:2008
——————————————————————————
90
Anexo C Amostragens a partir de distribuições de probabilidade
C.1 Generalidades
C.1.1 Este anexo fornece informações técnicas relativas à amostragem a partir de
distribuições de probabilidade. Tal amostragem constitui uma parte central do uso do MMC como uma implementação da propagação de distribuições. Uma biblioteca digital de funções
matemáticas [38] e um repositório de software relevante [37] também podem ser consultados.
C.1.2 Um gerador para qualquer distribuição, como aquelas consideradas em 6.4 (ver
também a Tabela 1), pode em princípio ser obtido a partir da sua função distribuição, juntamente com o uso de um gerador para a distribuição retangular, como indicado em C.2. Um gerador para uma distribuição retangular é fornecido em C.3.3. Para algumas distribuições, como a distribuição gaussiana e a distribuição-t, é mais eficiente usar geradores especificamente desenvolvidos, como os fornecidos neste anexo. A subseção 6.4 também fornece orientação
sobre amostragem a partir de distribuições de probabilidade.
NOTA Geradores diferentes daqueles fornecidos neste anexo podem ser usados. Sua qualidade estatística deve ser testada antes do uso. Um recurso de teste está disponível para geradores de números pseudoaleatórios para a distribuição retangular. Ver C.3.2.
C.2 Distribuições genéricas
Uma amostragem de qualquer função distribuição contínua univariada, estritamente crescente, �(�) pode ser realizada pela transformação de uma amostragem a partir de uma distribuição retangular:
a) amostrando um número aleatório þ da distribuição retangular R(0,1); b) determinando � que satisfaça �(�) = þ.
NOTA 1 A inversão requerida na etapa b), que calcula � = �$�(þ), pode ser realizada analiticamente. Caso contrário, pode ser efetuada numericamente.
EXEMPLO Como um exemplo de inversão analítica, considere que tem uma FDP exponencial com
esperança O(> 0), ou seja, ��(�) = exp(−�/O)/O, para � ≥ 0, e zero em outros casos (ver 6.4.10).
Então, por integração, �(�) = 1 − exp(−�/O), para � ≥ 0, e zero em outros casos. Daí � = −Oln(1 −þ). Este resultado pode ser levemente simplificado usando o fato de que se uma variável Ï segue a
distribuição retangular R(0,1), então 1 − Ï também o faz. Portanto, � = −Olnþ.
NOTA 2 Em geral, � pode ser determinado numericamente resolvendo-se o problema “zero-de-uma-
função” �(�) − þ = 0. Limites superiores e inferiores para � são normalmente encontrados facilmente, caso em que um algoritmo de escalonamento, tal como bissecção ou, mais eficientemente, uma
combinação de interpolação linear e bissecção [11], por exemplo, podem ser usados para determinar �.
JCGM 101:2008
——————————————————————————
91
NOTA 3 Se o gerador de números pseudoaleatórios para a distribuição retangular for usado como base
para gerar números de outra distribuição, uma amostragem de þ igual a zero ou igual a um pode causar falha desse último gerador. Um exemplo é a distribuição exponencial (ver 6.4.10). Sua FDP (expressão
(9)) não é definida para þ igual a zero ou um. O uso do gerador dado em C.3.3 não daria origem a uma falha desse tipo.
C.3 Distribuição retangular
C.3.1 Generalidades
C.3.1.1 A capacidade de gerar números pseudoaleatórios a partir de uma distribuição retangular é fundamental por si só, e também como base para gerar números pseudoaleatórios a partir de qualquer distribuição (ver C.2, C.4 e C.6) usando um algoritmo ou fórmula apropriados. Quanto a este último aspecto, a qualidade dos números gerados a partir de uma distribuição não-retangular depende daquela do gerador de números a partir de uma distribuição retangular e das propriedades do algoritmo empregado. Espera-se, portanto, que a qualidade dos números gerados a partir de uma distribuição não-retangular esteja relacionada àquela dos números gerados a partir da distribuição retangular. Somente um gerador que forneça fidedignamente números distribuídos de forma retangular, usado em conjunto com um bom algoritmo, pode constituir um
autêntico gerador de números distribuídos não-retangularmente.
C.3.1.2 Portanto, é importante que o recurso que embasa a geração de números retangularmente distribuídos seja eficaz [31]. A menos que o usuário tenha certeza de sua procedência, um gerador não deve ser usado até que testes adequados tenham sido realizados. Caso contrário, resultados não confiáveis podem ser obtidos. Recomenda-se o uso de uma ferramenta de teste [30]. Em C.3.3 é fornecido um procedimento para gerar números retangularmente distribuídos que demonstrou bom desempenho nestes testes e que pode ser
facilmente implementado.
C.3.1.3 A Tabela C.1 define aspectos relevantes do funcionamento de um procedimento para
gerar números pseudoaleatórios a partir da distribuição retangular R(0, 1) , especificando os
parâmetros de entrada, entrada-saída e de saída associados a sua determinação.
NOTA 1 O uso, na Tabela C-1, de sementes já usadas anteriormente, pode levar à produção da mesma sequência de números aleatórios. Fazer isso é importante como parte do teste de regressão de software, usado para verificar a consistência dos resultados produzidos usando o software com aqueles de versões anteriores.
NOTA 2 Alguns geradores de números pseudoaleatórios fornecem uma única amostragem em cada chamada. Outros fornecem várias amostragens.
JCGM 101:2008
——————————————————————————
92
Tabela C.1 – Geração de números pseudoaleatórios a partir de uma distribuição retangular (C.3.1.3, C.3.2.2)
Parâmetro de entrada ¡ Número de números pseudoaleatórios que se pretende gerar Parâmetro de entrada-saída 5 Vetor coluna de parâmetros, alguns dos quais podem ser necessários como grandezas de
entrada, e que podem ser alterados como parte do cálculo. Valores subsequentes desses parâmetros geralmente não são de interesse imediato para o usuário. Os parâmetros são necessários para ajudar a controlar o processo pelo qual os números pseudoaleatórios são gerados. Eles podem ser entendidos como variáveis globais, não aparecendo explicitamente como parâmetros do procedimento. Um ou mais desses parâmetros podem compor uma semente, usada para iniciar a sequência de números aleatórios produzidos por chamadas sucessivas do procedimento
Parâmetro de saída 3 Vetor coluna de ¡ amostragens a partir da distribuição retangular R(0, 1)
C.3.1.4 Um número pseudoaleatório O extraído de R(}, ~) é obtido como } + (~ − })3, onde 3 é um número pseudoaleatório amostrado a partir de R(0, 1). C.3.2 Testes de aleatoriedade
C.3.2.1 Qualquer gerador de números pseudoaleatórios a ser usado deve
a) possuir boas propriedades estatísticas,
b) ser prontamente implementado em qualquer linguagem de programação, e
c) fornecer os mesmos resultados para a mesma semente em qualquer computador.
É também desejável que seja compacto, com uma implementação razoavelmente direta. Um gerador que chega perto de satisfazer a esses requisitos é aquele devido a Wichmann e Hill [52, 53]. Ele tem sido usado em muitas áreas, incluindo cálculos de incerteza. No entanto, seu comprimento de ciclo (o número de números aleatórios gerados antes de a sequência ser repetida) é 231, considerado atualmente inadequado para alguns problemas. Além disso, nem todas as suas propriedades estatísticas foram aprovadas [35]. E ainda, o gerador foi projetado para computadores de 16 bits, enquanto hoje computadores de 32 e 64 bits são quase
universalmente usados.
NOTA O período da sequência de números produzida por um gerador de números pseudoaleatórios é o número de números consecutivos na sequência antes de serem repetidos.
C.3.2.2 Um teste extensivo das propriedades estatísticas de qualquer gerador é realizado pelo pacote de testes TestU01 [30]. Este pacote é muito detalhado, com muitos testes específicos, incluindo o chamado Grande Compressão (Big Crush). Vários geradores que passam no teste Big
JCGM 101:2008
——————————————————————————
93
Crush são listados por Wichmann e Hill [54]. Um gerador de Wichmann-Hill aprimorado (ver
C.3.3) também passa no teste e possui as seguintes propriedades [54]:
a) pode ser codificado facilmente em qualquer linguagem de programação. Não depende da
manipulação de bits usada por alguns geradores,
b) o estado (a quantidade de informação preservada pelo gerador entre chamadas) é pequeno e
fácil de ser manejado (ver o parâmetro ! na Tabela C.1),
c) pode ser facilmente usado para fornecer múltiplas sequências necessárias para aplicações altamente paralelas, uma característica que provavelmente estará presente em futuros cálculos de
incerteza, e
d) há variantes do gerador para computadores de 32 e 64 bits.
C.3.3 Procedimento para gerar números pseudoaleatórios a partir de uma distribuição retangular
C.3.3.1 O gerador de Wichmann-Hill aprimorado, assim como o anterior, é uma combinação de geradores congruentes. O novo gerador combina quatro desses geradores (enquanto a versão
anterior combinava três) e tem um período de 2121, aceitável para qualquer aplicação concebível.
C.3.3.2 A Tabela C.2 define o gerador aprimorado de Wichmann-Hill para produzir números
pseudoaleatórios a partir de R(0, 1) para um computador de 32 bits.
JCGM 101:2008
——————————————————————————
94
Tabela C.2 – O gerador aprimorado de Wichmann-Hill para números pseudoaleatórios (C.3.3.2, C.3.3.3) a partir de uma distribuição retangular no intervalo (0, 1) para
computadores de 32 bits. "�# indica o maior número inteiro não maior que �. kW mod~W denota o resto da divisão de kW por ~W
Parâmetro de entrada Nenhum
Parâmetro de entrada-saída k�, k�, km, k�
Parâmetros inteiros requeridos como grandezas de entrada e que são alterados pelo procedimento. Estabeleça-os como números inteiros entre 1 e 2 147 483 647 antes da primeira chamada. Não os modifique entre as chamadas. Valores subsequentes desses parâmetros geralmente não são de interesse do usuário. Os parâmetros fornecem a base pela qual os números pseudoaleatórios são gerados. Eles podem ser entendidos como variáveis globais e, portanto, não aparecem explicitamente como parâmetros do procedimento.
Constante $, %, &, ø, Vetores de constantes inteiras de dimensão 1 × 4, onde $ = (}�, . . . , }�), etc, dados por: $ = (11600, 47003, 23000, 33000), % = (1851247, 45688, 93368, 65075), & = (10379, 10479, 19423, 8123), ø = 2147483123 × (1, 1, 1, 1) + (456, 420, 300, 0). Sem alterações entre as chamadas
Parâmetro de saída � Número pseudoaleatório amostrado a partir de R(0, 1) Cálculo
a) Para p = 1, . . . , 4: i) Calcule kW = }W × VkW mod~WX − çW × 'kW/~W( ii) Se kW < 0, substitua kW por kW +�W
b) Calcule � = ∑ kW/�W�W�� c) Calcule � = � − "�#
C.3.3.3 No gerador da Tabela C.2, para computadores de 64 bits, a etapa a) do Cálculo,
incluindo (i) e (ii), deve ser substituída pela etapa mais simples:
a) Para p = 1, . . . , 4, calcule kW = V}W × kWXmod�W C.4 Distribuição gaussiana O procedimento apresentado na Tabela C.3 provê amostragens da distribuição gaussiana N(0,1) usando a transformada de Box-Muller [3]. Uma amostragem para uma distribuição Gaussiana
N(*, +�) é dada por * + +3, onde 3 é uma amostragem a partir de N(0, 1).
JCGM 101:2008
——————————————————————————
95
Tabela C.3 - Gerador de números pseudoaleatórios gaussianos de Box-Muller (C.4)
Parâmetro de entrada Nenhum
Parâmetro de saída 3�,3� Duas amostragens de uma distribuição gaussiana padrão obtidas independentemente,
Cálculo a) Gere valores aleatórios �� e �� independentemente a partir da distribuição retangular R(0,1)
b) Calcule 3� = Ì−2 ln �� cos(2¹��) e 3� = Ì−2 ln �� sen(2¹��)
C.5 Distribuição gaussiana multivariada
C.5.1 A distribuição multivariada mais importante é a distribuição gaussiana multivariada
(ou conjunta) N(),*), onde ) é um vetor de esperanças de dimensão n × 1 e * é a matriz de
covariâncias de dimensão n × n.
C.5.2 Amostragens a partir de N(), *) [45, 49] podem ser obtidas empregando o
procedimento da Tabela C.4.
NOTA 1 Se * é definida positiva (ou seja, todos os seus autovalores são estritamente positivos), o fator È de Cholesky é único [23, pág. 204].
NOTA 2 Se * não é definida positiva, talvez devido a erros de arredondamento numérico ou outras
fontes, È pode não existir. Além disso, nos casos em que um ou mais dos autovalores de * são muito pequenos (mas positivos), a implementação do software do algoritmo de fatoração de Cholesky utilizado
pode ser incapaz de obter È devido aos efeitos de erros de ponto flutuante. Em qualquer destas situações,
recomenda-se que * seja “reparada”, isto é, que seja feita a menor alteração possível de *, de maneira tal
que o fator È de Cholesky para a matriz modificada seja bem definido. O fator resultante é exato para uma
matriz de covariâncias que esteja numericamente próxima da matriz * original. Um procedimento simples de reparo está disponível [49, pág. 322] para esse propósito, estando incorporado no gerador MULTNORM [45].
NOTA 3 Se * é definida semi-positiva, a decomposição em autovalores * = +,+F pode ser obtida,
sendo + uma matriz ortogonal e , uma matriz diagonal. Então, ,�/�+F pode ser usada para a obtenção de
amostragens a partir de N(ú,*), mesmo que * seja posto deficiente.
JCGM 101:2008
——————————————————————————
96
Tabela C.4 - Um gerador de números aleatórios gaussiano multivariado (C.5.2)
Parâmetro de entrada � ) * ¡
Dimensão da distribuição gaussiana multivariada Vetor de esperanças de dimensão � × 1 Matriz de covariâncias de dimensão � × � Quantidade de números pseudoaleatórios gaussianos multivariados a serem gerados
Parâmetro de saída D Matriz de dimensão � × ¡ , cuja j-ésima coluna é uma amostragem da distribuição gaussiana multivariada
Cálculo a) Obtenha o fator de Cholesky È de *, isto é, a matriz triangular superior
satisfazendo * = ÈFÈ. (Para gerar ¡ números pseudoaleatórios é necessário executar esta fatoração matricial uma vez somente).
b) Gere uma matriz - de variáveis gaussianas padrão de dimensão � × ¡ c) Obtenha D = )�F + ÈF-, onde � denota um vetor de unidades (1) de dimensão ¡ × 1
C.5.3 A Figura C.1 mostra 200 pontos gerados usando o gerador MULTNORM [45] a partir
de N(),*), onde
) = .2,03,0/ , * = .2,0 1,91,9 2,0/ isto é, no qual as duas grandezas em questão estão positivamente correlacionadas. Geradores
similares estão disponíveis em outras referências [12].
Figura C.1 - Pontos amostrados a partir de uma distribuição gaussiana bivariada com correlação positiva (C.5.3, C.5.4)
Grandeza 1 /unidade
Gra
nd
eza
2 /
un
idad
e
JCGM 101:2008
——————————————————————————
97
C.5.4 Na Figura C.1, os pontos abrangem uma elipse inclinada alongada. Se os elementos
fora da diagonal de * fossem substituídos por zero, os pontos abrangeriam um círculo. Se os elementos da diagonal fossem desiguais e os elementos fora da diagonal mantidos com valor zero, os pontos abrangeriam uma elipse cujos eixos seriam paralelos aos eixos do gráfico. Se os elementos fora da diagonal fossem negativos e, portanto, as grandezas relacionadas se correlacionassem negativamente, o eixo maior da elipse teria um gradiente negativo e não
positivo, como na Figura C.1.
C.6 Distribuição-t
O procedimento na Tabela C.5 apresenta um método [29], [44, pág. 63] para obter amostragens a
partir da distribuição-t com 1 graus de liberdade.
Tabela C.5 – Um gerador de números pseudoaleatórios com distribuição-t (C.6)
Parâmetro de entrada 1 Número de graus de liberdade Parâmetro de saída 5 Amostragem de uma distribuição-t com 1 graus de liberdade
Cálculo a) Gere, independentemente, duas amostras �� e �� a partir da distribuição retangular R(0,1)
b) Se �� < 1/2, obtenha 5 = 1/(4�� − 1) e v = ��/5�; noutro caso, obtenha 5 =4�� − 3 e v = �� c) Se v < 1 − |5|/2 ou v < (1 + 5�/1)$(-.�)/�, aceite 5 como uma amostragem da
distribuição-t; de outra forma, repita o procedimento a partir da etapa a)
NOTA 1 deve ser maior que dois para que o desvio-padrão da distribuição-t com 1 graus de liberdade seja finito.
JCGM 101:2008
——————————————————————————
98
Anexo D Aproximação contínua para a função distribuição da
grandeza de saída
D.1 Por vezes é útil trabalhar com uma aproximação contínua, digamos 0](Z), para a função
distribuição da grandeza de saída Y, em vez da representação discreta r vista em 7.5.
NOTA Trabalhar com uma aproximação contínua significa, por exemplo, que
a) amostragem a partir da função distribuição pode ser realizada sem a necessidade de arredondamento, como no caso discreto, e
b) métodos numéricos que necessitam de continuidade para sua operação podem ser usados para determinar o mínimo intervalo de abrangência.
D.2 Para obter 0](Z), considere a representação discreta r = 1�(C), � = 1,… ,s2 de ](Z) vista em 7.5.1, após substituir, se necessário (passo b), valores de modelo replicados de �(C) do
referido subitem. Execute, então, as seguintes etapas:
a) atribua probabilidades acumulativas uniformemente espaçadas eC = (� − 1 2⁄ )/s , � =1, … ,s aos �(C) [8]. Os valores numéricos eC , � = 1, … ,s, são os pontos médios de s intervalos
de probabilidade contíguos de largura 1/s entre zero e um;
b) obtenha 0](Z) como a função (contínua) estritamente crescente, linear em segmentos, ligando
os s pontos V�(C), eCX, � = 1,… ,s:
0](Z) = 3$� �⁄u + c$t(4)u(t(45°)$t(4)) , �(C) ≤ Z ≤ �(C.�) , � = 1,… ,s − 1. (D.1)
NOTA A expressão acima (D.1) fornece uma base conveniente para amostragem a partir de 0](Z) como subsídio a um estágio posterior de avaliação de incerteza. Ver C.2 para amostragem inversa a partir de uma função distribuição. Algumas bibliotecas e pacotes de softwares fornecem ferramentas úteis para
interpolação de segmentos lineares. Uma vez que 0](Z) é linear em segmentos, sua inversa também o é, e tais ferramentas podem ser prontamente aplicadas.
D.3 A Figura D.1 ilustra 0](Z) obtida usando o MMC baseado em s = 50 valores
amostrados a partir de uma FDP gaussiana �](Z) com � tendo esperança 3 e desvio-padrão 1.
JCGM 101:2008
——————————————————————————
99
Figura D.1 – Uma aproximação 0](Z) para a função distribuição ](Z) (D.3). “Unidade” denota unidade arbitrária
D.4 Considere �Ü](Z) = 0]6 (Z) , com 0](Z) dada pela expressão (D.1). A função �Ü](Z) é
constante em segmentos, com pontos de descontinuidade em Z = �(�), … , �(u). A esperança �Ü e
o desvio-padrão �(�Û) de � , descritos por �Ü](Z) , são tomados, respectivamente, como uma
estimativa de � e como a incerteza-padrão associada com essa estimativa. �Ü e �(�Û) são dados por
�Ü = 1s� ′′uC�� �(C) (D.2)
e
��(�Ü) = �u "∑ ′′uC�� V�(C) − �ÜX� − �×∑ V�(C.�) − �(C)X�u$�C�� &, (D.3)
onde a dupla aspa no símbolo do somatório indica que o primeiro e o último termos na soma
devem ser tomados com peso 0,5.
NOTA Para um valor numérico suficientemente grande de s (por exemplo, 105, ou maior), �Ü e �(�Û) obtidos usando as fórmulas (D.2) e (D.3) seriam geralmente indistinguíveis, para fins práticos, daqueles obtidos usando as fórmulas (16) e (17), respectivamente.
D.5 Seja d qualquer valor entre zero e 1 − e , onde e é a probabilidade de abrangência
requerida (por exemplo, 0,95). Os pontos extremos de um intervalo de abrangência de 100e%
Grandeza de saída � /unidade
Pro
bab
ilid
ade
JCGM 101:2008
——————————————————————————
100
podem ser obtidos de 0](Z) por interpolação linear inversa. Para determinar o ponto extremo
inferior �inf tal que d = 0](�inf) , identifique o índice � para o qual os pontos V�(C), eCX e V�(C.�), eC.�X satisfaçam
eC ≤ d < eC.�.
Então, pela interpolação linear inversa,
�inf = �(C) + V�(C.�) − �(C)X d − eCeC.� − eC
De modo similar, o ponto extremo superior �sup, determinado de modo que e + d = 0]V� ¿jX, é
calculado como
�sup = �(¨) + V�(¨.�) − �(¨)X j.8$j9j95°$j9,
onde o índice � é tal que os pontos V�(¨), e¨X e V�(¨.�), e¨.�X satisfazem à inequação
e¨ ≤ e + d < e¨.�.
D.6 A escolha de d = 0,025 produz o intervalo de abrangência definido pelos quantis 0,025
e 0,975. Essa escolha fornece para � o intervalo de abrangência probabilisticamente simétrico de 95 %.
D.7 O mínimo intervalo de abrangência pode geralmente ser obtido de 0](Z) pela
determinação de d de tal modo que 0]$�(e + d) − 0]$�(d), = :(d), digamos, seja um mínimo.
Uma abordagem numérica direta para determinar esse mínimo é avaliar :(d) para um número
grande ;d<= de valores de d, uniformemente espaçados entre zero e 1 − e, e escolher, dentro do
grupo ;d<=, aquele valor dℓ que leva ao elemento com menor valor dentro do conjunto ;:(d<)=. D.8 O cálculo de um intervalo de abrangência é facilitado se es é um inteiro. Neste caso, o
valor numérico de d, tal que :(d) seja um mínimo, é igual a �∗ s⁄ , onde �∗ é o índice � tal que
a largura do intervalo �(C.ju) − �C, para � = 1, … , (1 − e)s, tenha o menor valor possível.
JCGM 101:2008
——————————————————————————
101
Anexo E Intervalo de abrangência para a convolução quádrupla de
uma distribuição retangular
E.1 Em 9.2.3.2 é reportada a solução analítica
±2√3ß2 − (3 5⁄ )� �⁄ å ü ±3,88. (E.1)
Ela constitui os pontos extremos do intervalo de abrangência probabilisticamente simétrico de
95 % para a grandeza de saída � em um modelo aditivo contendo quatro grandezas de entrada com esperanças zero e desvios-padrão unitários, cujas FDPs, por sua vez, são distribuições
retangulares idênticas. Esse resultado é tratado neste anexo.
E.2 A distribuição retangular R(}, ~) (ver 6.4.2) assume o valor constante (~ − })$� para } ≤ þ ≤ ~, sendo zero fora desse intervalo. A �-ésima convolução de R(0, 1) é o B-spline ��(þ) de ordem � (grau � − 1) com nós 0,… , � [46]. Uma expressão explícita é [6]
��(þ) = �(�$�)!∑ óC��C�9 (−1)C(e − �).�$�,
onde óC� = �!C!(�$C)! , 3. = max(3, 0). Em particular,
��(þ) = �× þm, 0 ≤ þ ≤ 1
(com expressões polinomiais cúbicas diferentes para ��(þ) em outros intervalos entre nós
adjacentes), e consequentemente
4 ��(þ)dþ�9 = � ���þ��9� = ��� ü 0,0417.
E.3 O ponto extremo à esquerda �inf do intervalo de abrangência probabilisticamente
simétrico de 95 % recai entre zero e a unidade, uma vez que
0,025 = 140 < 124
da área sob a FDP situa-se à esquerda de �inf, a qual é, desse modo, dada por
4 ��(þ)dþtinf9 = ����inf� = ��9,
JCGM 101:2008
——————————————————————————
102
isto é,
�inf = (3 5⁄ )� �⁄ .
Por simetria, o ponto extremo à direita é
�sup = 4 − (3 5⁄ )� �⁄ .
Dessa forma, o intervalo de abrangência probabilisticamente simétrico de 95 % é
ß(3 5⁄ )� �⁄ , 4 − (3 5⁄ )� �⁄ å ≡ 2 ± V2 − (3 5⁄ )� �⁄ X. O intervalo de abrangência correspondente para a convolução quádrupla da FDP retangular RV−√3, √3X (a qual tem esperança zero e desvio-padrão unitário) é obtido com o deslocamento
desse resultado em duas unidades e multiplicando-o por 2√3 unidades, produzindo a expressão (E.1).
JCGM 101:2008
——————————————————————————
103
Anexo F O problema da comparação de perdas
Este anexo trata de alguns detalhes do problema da comparação de perdas (ver 9.4). O subitem
F.1 fornece a esperança e o desvio-padrão de _� (ver 9.4.2.1.2). O subitem F.2 fornece,
analiticamente, a FDP para _� quando O� = O� = �(O�, O�) = 0 (ver 9.4.2.1.2). O subitem F.3 aplica a metodologia de incerteza do GUM para grandezas de entrada não correlacionadas e
correlacionadas (ver 9.4.2.1.3 e 9.4.3.1.1).
F.1 Esperança e desvio-padrão obtidos analiticamente
F.1.1 A variância de uma grandeza pode ser expressa em termos de esperanças como [42,
página 124] @() = <(�) − A<()B�. Assim, <(�) = A<()B� + @() = O� + ��(O)onde O é a melhor estimativa de e �(O) a incerteza-padrão associada com O. Com isso, para o
modelo (28), viz. _� = 1 − � = �� + ��,
_� = <(_�) = O�� + O�� + ��(O�) + ��(O�). Este resultado aplica-se
a) independentemente de quais FDPs são atribuídas a � e �, e
b) com � e � independentes ou não.
F.1.2 A incerteza-padrão associada com _� pode ser obtida de
��(_�) = ��(O��) + ��(O��) + 2�(O��, O��),onde, para k = 1 e k = 2 , ��(OU�) = @(U�) , e �(O��, O��) = Cov(��, ��) . Então, aplicando o
Teorema de Price para distribuições gaussianas [40, 41],
��(_�) = 4��(O�)O�� + 4��(O�)O�� + 2��(O�) + 2��(O�) + 4��(O�, O�) + 8�(O�, O�)O�O�.
(F.1)
Considerando O� = 0 e �(O�) = �(O�), e substituindo �(O�, O�) por �(O�, O�)��(O�), �(_�) = 2;O�� + A1 + ��(O�, O�)B��(O�)=�/��(O�).
F.1.3 Quando � e � não são correlacionadas, isto é, �(O�, O�) = 0, a expressão (F.1)
torna-se
��(_�) = 4��(O�)O�� + 4��(O�)O�� + 2��(O�) + 2��(O�). (F.2)
JCGM 101:2008
——————————————————————————
104
A expressão (F.2) pode ser conferida pela aplicação da fórmula (10) do GUM [GUM 5.1.2] e da
fórmula que se lhe segue [GUM 5.1.2 NOTA].
F.2 Solução analítica para estimativa do zero do coeficiente de reflexão de tensão com covariância associada zero
F.2.1 Para o caso O� = O� = �(O�, O�) = 0 e �(O�) = �(O�), a FDP �](Z)para � pode
ser obtida analiticamente. É importante ter uma solução desse tipo para fins adicionais de
validação. Nas circunstâncias acima,
_� = ��(O�) � �°0¿0(z°)+ �00¿0(z0)� . F.2.2 O termo entre colchetes é a soma, digamos > , dos quadrados de duas grandezas
independentes, cada uma distribuída como uma FDP gaussiana padrão. Assim, a soma será uma
distribuição qui-quadrado com dois graus de liberdade [42, página 177], de modo que
_� = ��(O�)>,
onde > tem FDP �@(3) = A��(3) = Í$6/�/2.
F.2.3 A aplicação de uma fórmula geral [42, páginas 57-61] para a FDP �](Z) de uma
função diferenciável e estritamente decrescente de uma variável (aqui > ) com uma FDP
especificada fornece
�](Z) = 1��(O�)A�� ² Z��(O�)³ = 12��(O�) exp ²− Z2��(O�)³ ,Z ≥ 0 F.2.4 A esperança de _� é dada por
_� = <(_�) = = Z�](Z)dZ = 2��(O�)89
e a variância
��(_�) = @(_�) = = (Z − �)��](Z)dZ = 4��(O�)89 ,
isto é, o desvio-padrão é 2��(O�), resultados consistentes com aqueles do subitem F.1.
F.2.5 Por integração, a função distribuição correspondente é
](Z) = 1 − exp ²− Z2��(O�)³ ,Z ≥ 0.
JCGM 101:2008
——————————————————————————
105
F.2.6 Seja _�8 aquele Z na expressão (F.3) que corresponde a ](Z) = d para qualquer d
que satisfaz 0 ≤ d ≤ 1 − e. Então
_�8 = −2��(O�)ln(1 − d) e um intervalo de abrangência de 100p % para _� (ver 7.7) é
ß_�8 , _�j.8å ≡ A−2��(O�)ln(1 − d), −2��(O�)ln(1 − e − d)B (F.4)
com comprimento
:(d) = −2��(O�)ln "1 − e1 − d&. F.2.7 O mínimo intervalo de abrangência de 100p % é obtido pela determinação do valor de d que minimiza :(d) (ver 5.3.4). Como :(d) é uma função estritamente crescente de d para 0 ≤ d ≤ 1 − e, :(d) é minimizado quando d = 0. Assim, o mínimo intervalo de abrangência
de 100p % para _� é: A0, −2��(O�)ln(1 − e)B. Para �(O�) = 0,005 , o mínimo intervalo de abrangência de 95 % é
A0; 0,0001498B. F.2.8 O intervalo de abrangência probabilisticamente simétrico de 95 % para _� é obtido
fazendo d = (1 − e)/2) (ver 5.3.3):
A−2��(O�)ln0,975;−2��(O�) ln 0,025B = A0,0000013; 0,0001844B, o qual é 20 % maior que o mínimo intervalo de abrangência de 95 %.
NOTA A análise acima é indicativa de uma abordagem analítica que pode ser aplicada a alguns problemas desse tipo. Neste caso particular, os resultados poderiam de fato ter sido obtidos mais
diretamente, já que ](Z) é estritamente crescente e o mínimo intervalo de abrangência estará sempre na região de maior densidade.
F.3 Metodologia de incerteza do GUM aplicada ao problema da comparação de perdas
F.3.1 Grandezas de entrada não correlacionadas
F.3.1.1 O problema da comparação de perdas, considerado em 9.4, tem como modelo de
medição
_� = Y(D) = Y(�, �) = �� + �� ,
onde a � e � estão associadas FDPs gaussianas com esperanças O� e O� e variâncias ��(O�) e ��(O�), respectivamente.
JCGM 101:2008
——————————————————————————
106
F.3.1.2 A aplicação do subitem 5.1.1 do GUM fornece
_� = O�� + O��
como a estimativa de _�. As únicas derivadas parciais do modelo, não-trivialmente diferentes de
zero são, para k = 1Í2,
_Y_U = 2U , _�Y_U� = 2. F.3.1.3 Então, a aplicação do subitem 5.1.2 do GUM fornece, para a incerteza-padrão �(_�),
��(_�) = .² _Y_�³� ��(O�) + ² _Y_�³
� ��(O�)/BD�M = 4O����(O�) + 4O����(O�), (F.5)
com base em uma aproximação da série de Taylor de primeira ordem para Y(). Se a não-
linearidade de Y for significativa [GUM 5.1.2 NOTA], o termo
12 ._�Y_�� + _�Y_��/BD�M ��(O�)��(O�) precisa ser acrescentado à fórmula (F.5), caso em que esta fórmula se torna
��(_�) = 4O����(O�) + 4O����(O�) + 4��(O�)��(O�). (F.6)
F.3.1.4 Um intervalo de abrangência de 95 % para _� é dado por
_� ± 2�(_�), como consequência de _� ter uma FDP gaussiana.
F.3.2 Grandezas de entrada correlacionadas
F.3.2.1 Quando as grandezas de entrada são correlacionadas, a matriz de incerteza associada
com as melhores estimativas das grandezas de entrada é dada em (27).
F.3.2.2 A aplicação do subitem 5.2.2 do GUM fornece
��(_�) = .² _Y_�³� ��(O�) + ² _Y_�³
� ��(O�)+ 2 _Y_� _Y_� �(O�, O�)�(O�)�(O�)/BD�M= 4O����(O�) + 4O����(O�) + 8�(O�, O�)O�O��(O�)�(O�).
(F.7)
JCGM 101:2008
——————————————————————————
107
Anexo G Glossário dos símbolos principais
� variável aleatória que representa o limite inferior de uma distribuição retangular com limites prescritos não exatos
} limite inferior de um intervalo em que se sabe que uma variável aleatória está contida
} ponto central do intervalo em que se sabe que está contido o limite inferior � de uma distribuição retangular com limites prescritos não exatos
� variável aleatória que representa o limite superior de uma distribuição retangular com limites prescritos não exatos
~ limite superior de um intervalo em que se sabe que uma variável aleatória está contida
~ ponto central do intervalo em que se sabe que está contido o limite superior � de uma distribuição retangular com limites prescritos não exatos
CTrap(}, ~, �) distribuição retangular com limites prescritos não exatos (distribuição-trapezoidal curvilínea) com parâmetros }, ~ e �
Cov(U, W) covariância de duas variáveis aleatórias Ue W ç número inteiro com �èÚé dígitos decimais
çU i-ésimo coeficiente de sensibilidade, obtido como a derivada parcial do modelo de medição Y com relação à i-ésima grandeza de entrada U , avaliada na estimativa vetorial M da grandeza de entrada vetorial D
� semi-largura dos intervalos em que se sabe que estão contidos o limite inferior � e o limite superior � de uma distribuição retangular com limites prescritos não exatos
�âãä valor absoluto da diferença entre os pontos extremos superiores dos intervalos de abrangência obtidos pela metodologia de incerteza do GUM e pelo Método de Monte Carlo
�Úàá valor absoluto da diferença entre os pontos extremos inferiores dos intervalos de abrangência obtidos pela metodologia de incerteza do GUM e pelo Método de Monte Carlo
Í base dos logaritmos naturais
<() Esperança de uma variável aleatória
<(D) Esperança vetorial de uma variável aleatória vetorial D
JCGM 101:2008
——————————————————————————
108
<(C) r-ésimo momento de uma variável aleatória
Ex(±) distribuição exponencial com parâmetro ±
Y modelo matemático de medição, expresso como uma relação funcional entre uma grandeza de saída � e as grandezas de entrada �, . . . , Q das quais � depende
r representação discreta da função distribuição ](Z) para a grandeza de saída � a partir de um procedimento de Monte Carlo
G(d, �) distribuição gama com parâmetros d e �
��(�) função densidade de probabilidade com variável � para a grandeza de entrada
�D(E) função densidade de probabilidade conjunta (multivariada) com variável vetorial E para a grandeza de entrada vetorial D
��\(�U) função densidade de probabilidade com variável �U para a grandeza de entrada U ](Z) função distribuição com variável Z para a grandeza de saída �
0](Z) aproximação contínua da função distribuição ](Z) para a grandeza de saída �
�](Z) função densidade de probabilidade com variável Z para a grandeza de saída �
�Ü](Z) derivada de 0](Z) com respeito a Z, a qual provê uma aproximação numérica para a função densidade de probabilidade �](Z) para a grandeza de saída �
J o menor inteiro maior que ou igual a 100/(1 − e) �j fator de abrangência correspondente à probabilidade de abrangência e
ℓ um número inteiro quando da representação de um valor numérico como ç ×10ℓ, onde c é um número inteiro com �èÚé dígitos decimais
s número de iterações de Monte Carlo
J número de grandezas de entrada �,...,Q
N(0,1) distribuição gaussiana padrão
N(*, +�) distribuição gaussiana com parâmetros * e +�
N(),*) distribuição gaussiana multivariada com parâmetros ) e *
� número de indicações em uma série
�èÚé número de dígitos decimais tomados como significativos num valor numérico
Pr(3) probabilidade do evento 3
JCGM 101:2008
——————————————————————————
109
e probabilidade de abrangência
¡ parte inteira de es + 1/2
¡ número de objetos contados numa amostra de tamanho especificado
È matriz triangular superior
R(0,1) distribuição retangular padrão, no intervalo [0, 1]
R(a, b) distribuição retangular no intervalo [a, b]
�(OU, OW) coeficiente de correlação associado com as estimativas OU e OW das grandezas de entrada U e W � desvio-padrão de uma série de � indicações O�, … , O�
�ä desvio-padrão agrupado obtido de várias séries de indicações
T sobrescrito que denota uma matriz transposta
�D desvio-padrão associado com a média 3 dos valores 3(�), … , 3(ï) em um
procedimento adaptativo de Monte Carlo, com 3 podendo denotar uma
estimativa � da grandeza de saída �, a incerteza-padrão �(�) associada com �,
ou o ponto extremo esquerdo �Úàá ou o ponto extremo direito �âãä de um
intervalo de abrangência para �.
T(}, ~) distribuição-triangular no intervalo A}, ~B Trap(}, ~, �) distribuição-trapezoidal, com parâmetro �, no intervalo [a, b]
5- distribuição-t centralizada com número de graus de liberdade igual a 1
5-(*, +�) distribuição-t escalada e deslocada com parâmetros * e +� e número de graus de
liberdade igual a 1
U(0, 1) distribuição arco seno padrão (em forma de U) no intervalo A0, 1B U(}, ~) distribuição arco seno (em forma de U) no intervalo A}, ~B ij incerteza expandida correspondente a uma probabilidade de abrangência e
Lz matriz de incerteza associada com o vetor de estimativas M do vetor de grandezas
de entrada D.
E(M) vetor (�(O�),… , �(OQ))F de incertezas-padrão associado ao vetor de estimativas M da grandeza de entrada vetorial D
JCGM 101:2008
——————————————————————————
110
u(Ok) incerteza-padrão associada à estimativa OU da grandeza de entrada U u(Ok, Op) covariância associada às estimativas OU e OW das grandezas de entrada U e W u(�) incerteza-padrão associada à estimativa � da grandeza de saída �
u(�Û) incerteza-padrão associada a �Ü u�(�) incerteza-padrão combinada associada à estimativa � da grandeza de saída �
uÚ(�) i-ésima componente de incerteza da incerteza-padrão u(�) associada à estimativa � da grandeza de saída �
* matriz de covariância (de variância-covariância)
@() variância de uma variável aleatória
@(D) matriz de covariância para a variável aleatória vetorial D
� semi-largura (b− a)/2 de um intervalo Aa,bB grandeza de entrada, assumida como uma variável aleatória
D vetor (�, … , Q)F de grandezas de entrada, assumidas como variáveis aleatórias,
das quais a grandeza de saída � depende
U i-ésima grandeza de entrada, assumida como uma variável aleatória, da qual a
grandeza de saída � depende
O estimativa (esperança) de
M vetor de estimativas (vetor de esperanças) (O�, … , OQ)F de D
O média de uma série de n indicações O�, … , O�
OU estimativa (esperança) de U OU i-ésima indicação numa série
OU,C r-ésima iteração de Monte Carlo a partir da função densidade de probabilidade
de U OC r-ésima iteração de Monte Carlo, contendo valores O�,C , … , OQ,C, gerados a partir das
funções densidade de probabilidade para as N grandezas de entrada �, … , Q, ou
a partir da função densidade de probabilidade conjunta para D
� grandeza de saída (escalar) assumida como uma variável aleatória
JCGM 101:2008
——————————————————————————
111
� estimativa (esperança) de �
�Ü estimativa de �, obtida como a média de s valores do modelo �C a partir de um
processo de Monte Carlo ou como a esperança de � caracterizado pela função
densidade de probabilidade �Ü](Z) � ¿j ponto extremo superior de um intervalo de abrangência para �
�U�ô ponto extremo inferior de um intervalo de abrangência para �
�C r-ésimo valor do modelo Y(MC) �(�) r-ésimo valor do modelo após a disposição dos �C em ordem crescente
3(ï) h-ésimo valor em um procedimento adaptativo de Monte Carlo, onde 3 pode
denotar uma estimativa � da grandeza de saída � , a incerteza-padrão �(�) associada a �, ou o ponto extremo inferior �inf ou o ponto extremo superior �sup
de um intervalo de abrangência para �
d valor de probabilidade
d parâmetro de uma distribuição gama
� parâmetro de uma distribuição-trapezoidal, igual à razão entre a semi-largura do
topo do trapezoide e a semi-largura da base
� parâmetro de uma distribuição gama
Γ(3) função gama com variável 3
_ tolerância numérica associada com um valor numérico
δ(3) função delta de Dirac com variável 3
Z variável referente aos valores possíveis da grandeza de saída �
λ� semi-largura do topo do trapezoide para uma distribuição-trapezoidal
λ� semi-largura da base do trapezoide para uma distribuição-trapezoidal
* esperança de uma grandeza caracterizada por uma distribuição de probabilidade
1 número de graus de liberdade de uma distribuição-t ou de uma distribuição qui-
quadrado
1eff número efetivo de graus de liberdade associado à incerteza-padrão �(�)
JCGM 101:2008
——————————————————————————
112
1j número de graus de liberdade associado a uma incerteza-padrão agrupada �j
obtida de diversas séries de indicações
� variável que descreve os possíveis valores de uma variável aleatória
E variável vetorial (��, … , �Q)F que descreve os possíveis valores de uma grandeza
de entrada vetorial D
ξU variável que descreve os possíveis valores da grandeza de entrada U + desvio-padrão de uma grandeza caracterizada por uma distribuição de
probabilidade
+� variância (desvio-padrão ao quadrado) de uma grandeza caracterizada por uma
distribuição de probabilidade
Φ fase de uma grandeza que evolui ciclicamente de forma sinusoidal
A-� distribuição qui-quadrado com um número de graus de liberdade igual a 1
JCGM 101:2008
——————————————————————————
113
Bibliography
[1] Beatty, R. W. Insertion loss concepts. Proc. IEEE 52 (1964), 663–671.
[2] Berthouex, P. M., and Brown, L. C. Statistics for Environmental Engineers. CRC Press, USA, 1994.
[3] Box, G. E. P., and Muller, M. A note on the generation of random normal variates. Ann. Math. Statist. 29 (1958), 610–611.
[4] Chan, A., Golub, G., and LeVeque, R. Algorithms for computing the sample variance: analysis and recommendations. Amer. Stat. 37 (1983), 242–247.
[5] Conte, S. D., and de Boor, C. Elementary Numerical Analysis: An Algorithmic Approach. McGraw-Hill, 1972.
[6] Cox, M. G. The numerical evaluation of B-splines. J. Inst. Math. Appl. 10 (1972), 134–149.
[7] Cox, M. G., and Harris, P. M. Software specifications for uncertainty evaluation. Tech. Rep. DEM-ES-010, National Physical Laboratory, Teddington, UK, 2006.
[8] Cox, M. G., and Harris, P. M. SSfM Best Practice Guide No. 6, Uncertainty evaluation. Tech. Rep. DEM-ES-011, National Physical Laboratory, Teddington, UK, 2006.
[9] Cox, M. G., and Siebert, B. R. L. The use of a Monte Carlo method for evaluating uncertainty and expanded uncertainty. Metrologia 43 (2006), S178–S188.
[10] David, H. A. Order Statistics. Wiley, New York, 1981.
[11] Dekker, T. J. Finding a zero by means of successive linear interpolation. In Constructive Aspects of the Fundamental Theorem of Algebra (London, 1969), B. Dejon and P. Henrici, Eds., Wiley Interscience.
[12] Devroye, L. Non-Uniform Random Number Generation. Springer, New York, 1986.
[13] Dietrich, C. F. Uncertainty, Calibration and Probability. Adam Hilger, Bristol, UK, 1991.
[14] Dowson, D. C., and Wragg, A. Maximum entropy distributions having prescribed first and second order moments. IEEE Trans. IT 19 (1973), 689–693.
[15] EA. Expression of the uncertainty of measurement in calibration. Tech. Rep. EA-4/02, European Co-operation for Accreditation, 1999.
[16] Elster, C. Calculation of uncertainty in the presence of prior knowledge. Metrologia 44 (2007), 111–116.
[17] EURACHEM/CITAC. Quantifying uncertainty in analytical measurement. Tech. Rep. Guide CG4, EU-RACHEM/CITEC, 2000. Second edition.
[18] Evans, M., Hastings, N., and Peacock, B. Statistical distributions. Wiley, 2000.
[19] Frenkel, R. B. Statistical background to the ISO ‘Guide to the Expression of Uncertainty in Measurement’. Tech. Rep. Monograph 2, NML Technology Transfer Series, Publication number TIP P1242, National Measurement Laboratory, CSIRO, Australia, 2002.
[20] Gelman, A., Carlin, J. B., Stern, H. S., and Rubin, D. B. Bayesian Data Analysis. Chapman and Hall, London, 2004.
[21] Gleser, L. J. Assessing uncertainty in measurement. Stat. Sci. 13 (1998), 277–290.
JCGM 101:2008
——————————————————————————
114
[22] Hall, B. D., and Willink, R. Does “Welch-Satterthwaite” make a good uncertainty estimate? Metrologia 38 (2001), 9–15.
[23] Higham, N. J. Accuracy and Stability of Numerical Algorithms. SIAM, Philadelphia, 1996.
[24] ISO. ISO 3534-1. Statistics — Vocabulary and symbols — Part 1: Probability and general statistical terms. International Standards Organization, Geneva. JCGM 2008
[25] Jaynes, E. T. Information theory and statistical mechanics. Phys. Rev 106 (1957), 620–630.
[26] Jaynes, E. T. Where do we stand on maximum entropy? In Papers on Probability, Statistics, and Statistical Physics (Dordrecht, The Netherlands, 1989), R. D. Rosenkrantz, Ed., Kluwer Academic, pp.
210–314. http://bayes.wustl.edu/etj/articles/stand.on.entropy.pdf.
[27] Kacker, R., and Jones, A. On use of Bayesian statistics to make the Guide to the Expression of Uncertainty in Measurement consistent. Metrologia 40 (2003), 235–248.
[28] Kerns, D. M., and Beatty, R. W. Basic Theory of Waveguide Junctions and Introductory Microwave Network Analysis. Pergamon Press, London, 1967.
[29] Kinderman, A., Monahan, J., and Ramage, J. Computer methods for sampling from Student’s t-distribution. Math. Comput 31 (1977), 1009–1018.
[30] L’Ecuyer, P., and Simard, R. TestU01: A software library in ANSI C for empirical testing of random
number generators. http://www.iro.umontreal.ca/-simardr/testu01/tu01.html.
[31] Leydold, J. Automatic sampling with the ratio-of-uniforms method. ACM Trans. Math. Software 26 (2000), 78–98.
[32] Lira, I. Evaluating the Uncertainty of Measurement. Fundamentals and Practical Guidance. Institute of Physics, Bristol, UK, 2002.
[33] Lira, I. H., and W¨ oger, W. Bayesian evaluation of the standard uncertainty and coverage probability in a simple measurement model. Meas. Sci. Technol. 12 (2001), 1172–1179.
[34] Matsumoto, M., and Nishimura, T. Mersenne Twister: A 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Trans. Modeling and Computer Simulation 8 (1998), 3–30.
[35] McCullough, B. D., and Wilson, B. On the accuracy of statistical procedures in Microsoft Excel 2003. Computational Statistics and Data Analysis (2004).
[36] Moler, C. B. Numerical computing with MATLAB. SIAM, Philadelphia, 2004.
[37] Netlib. The Netlib repository of freely available software, documents, and databases of interest to the numerical, scientific computing, and other communities contains facilities for sampling from probability distributions, http://www.netlib.org.
[38] NIST. The NIST Digital Library of Mathematical Functions contains facilities for sampling from
probability distributions, http://dlmf.nist.gov.
[39] OIML. Conventional value of the result of weighing in air. Tech. Rep. OIML D 28, Organisation Internationale de Métrologie Légale, Paris, 2004.
[40] Papoulis, A. On an extension of Price’s theorem. IEEE Trans. Inform. Theory IT-11 (1965).
[41] Price, R. A useful theorem for nonlinear devices having Gaussian inputs. IEEE Trans. Inform. Theory IT-4 (1958), 69–72.
JCGM 101:2008
——————————————————————————
115
[42] Rice, J. R. Mathematical Statistics and Data Analysis, second ed. Duxbury Press, Belmont, Ca., USA, 1995.
[43] Ridler, N. M., and Salter, M. J. Propagating S-parameter uncertainties to other measurement quantities. In 58th ARFTG (Automatic RF Techniques Group) Conference Digest (2001).
[44] Robert, C. P., and Casella, G. Monte Carlo Statistical Methods. Springer-Verlag, New York, 1999.
[45] Salter, M. J., Ridler, N. M., and Cox, M. G. Distribution of correlation coefficient for samples taken from a bivariate normal distribution. Tech. Rep. CETM 22, National Physical Laboratory, Teddington, UK, 2000.
[46] Schoenberg, I. J. Cardinal interpolation and spline functions. J. Approx. Theory 2 (1969), 167–206.
[47] Scowen, R. S. QUICKERSORT, Algorithm 271. Comm. ACM 8 (1965), 669.
[48] Shannon, C. E. A mathematical theory of information. Bell Systems Tech. J. 27 (1948), 623–656.
[49] Strang, G., and Borre, K. Linear Algebra, Geodesy and GPS. Wiley, Wellesley-Cambridge Press, 1997.
[50] Taylor, B. N., and Kuyatt, C. E. Guidelines for evaluating and expressing the uncertainty of NIST measurement results. Tech. Rep. TN1297, National Institute of Standards and Technology, USA, 1994.
[51] Weise, K., and W¨ oger, W. A Bayesian theory of measurement uncertainty. Meas. Sci. Technol. 3 (1992), 1–11.
[52] Wichmann, B. A., and Hill, I. D. Algorithm AS183. An efficient and portable pseudo-random number generator. Appl. Statist. 31 (1982), 188–190.
[53] Wichmann, B. A., and Hill, I. D. Correction. algorithm AS183. An efficient and portable pseudo-random number generator. Appl. Statist. 33 (1984), 123.
[54] Wichmann, B. A., and Hill, I. D. Generating good pseudo-random numbers. Computational Statistics and Data Analysis 51 (2006), 1614–1622.
[55] Willink, R. Coverage intervals and statistical coverage intervals. Metrologia 41 (2004), L5–L6.
[56] Woger, W. Probability assignment to systematic deviations by the Principle of Maximum Entropy. IEEE Trans. Instr. Measurement IM-36 (1987), 655–658.p
[57] Avaliação de dados de medição: Guia para a expressão de incerteza de medição – GUM 2008. Duque de Caxias, RJ: INMETRO/CICMA/SEPIN, 2012,
http://www.inmetro.gov.br/inovacao/publicacoes/gum_final.pdf
[58] Vocabulário Internacional de Metrologia: Conceitos fundamentais e gerais e termos associados (VIM 2012). Duque de Caxias, RJ : INMETRO, 2012.
http://www.inmetro.gov.br/inovacao/publicacoes/vim_2012.pdf
JCGM 101:2008
——————————————————————————
116
Índice alfabético
A algoritmo de ordenação . . . . . . . . . . . . . . . . . . . . . . . . . 7.5.1, 7.8.2 aproximação da série de Taylor. . . . . . . . 4.9, 5.4.1, 5.6.2, 5.11.4,
8.1.2, 9.1.1, 9.1.6, B.1, F.3.1.3 aproximação de diferenças finitas . . . . . . . . . . . . . . . . . . . . . .5.8.1 assimetria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7.5.1, 9.4.2.4.1 avaliações de incerteza do Tipo A e do Tipo B. . . . . . . . . . . .5.1.2,
5.11.2, 5.11.4, 6.1.3, 6.4.9.4
C calibração
certificado.. . . . . 6.4.3.4, 6.4.9.7, 9.5.2.2.1, 9.5.2.4.1, 9.5.2.5.1 bloco-padrão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9.5 massa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3 medidor de energia de microondas. . . . . . . . . . . . . . . . . . . 9.4
coeficiente de correlação. . . . . . . . . . . . . . . . . . . . 9.4.1.3, 9.4.2.3.1 coeficientes de sensibilidade . . . . . . . . . 5.4.3, 5.6.3, 5.11.4, 5.11.6,
9.3.2.5, 9.5.2.6.2, B confiabilidade da incerteza. . . . . . . . . . . . . . ver incerteza-padrão conhecimento (informação)
sobre uma grandeza, incompleto. . . . . . . . . . . . . . . . . . . 6.3.2 sobre uma grandeza, prévio . . . . . . . . . . . . . . . . . . . . . .5.11.2 sobre uma grandeza de entrada. . . . . . . . . . . . . . . 5.1.1, 6.1.6
convolução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.4.2, A.1, E covariância . . . . . . . . . . . . . . . . . . . . 3.10, 3.11, 5.6.3, 9.4.1.3, 9.4.3
9.4.3.1.3, C.5
D decomposição de Cholesky. . . . . . . . . . . . . . . . . . . . . 6.4.8.4, C.5.2 derivada parcial . . . . . . . . . . . . 5.6.3, 5.8.1, 5.11.4, 5.11.6, 9.3.1.3,
9.3.2.5, 9.4.2.2.1, 9.4.2.2.4, B.1, F.3.1.2 desvio- padrão . . . . . . . . . . . . . . . . . . . 3.8, 5.1.1, 5.3.1, 5.6.2, 5.6.3
de um conjunto de indicações. . . . . . . . . . . . . . . . . . . . . 5.11.2 de valores de modelo amostrados . . . . . . . . . . . . . . . . . . . . 7.6 agrupado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.9.6
dígitos decimais significativos. . . . . . . .1, 3.20, 4.13, 5.5.2, 6.4.3.4, 7.2.1, 7.6, 7.9.2, 8.1.3, 8.2, 9.1.3
distribuição arco seno. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.6 distribuição atribuída a uma grandeza . . . . 6.4.6.1, 9.5.2.8.2 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.6.3 função densidade de probabilidade. . . . . . . . . . . . . . . . 6.4.6.2 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . . . . . .6.4.6.4
distribuição de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1 distribuição de Erlang. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.11.4 distribuição de Poisson. . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.11.1 distribuição de probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . .3.1
de cálculos de incerteza anteriores . . . . . . . . . . . . . . . . . . . 6.5 conjunta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 multivariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . . . . . . C, 7.3 univariada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1
distribuição em forma de U. . . . . . . . . ver distribuição arco seno
distribuição exponencial . . . . . . . . . . . . . . . . . 6.4.10, 6.4.11.4, C.2 atribuição a uma grandeza . . . . . . . . . . . . . . . . . . . . . 6.4.10.1 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.10.3 função densidade de probabilidade. . . . . . . . . . . . . . . 6.4.10.2 amostragem a partir de . . . . . . . . . . . . . . . . . . . . . . . . 6.4.10.4
distribuição gama. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.11 atribuição a uma grandeza. . . . . . . . . . . . . . . . . . . . . 6.4.11.1 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.11.3 função densidade de probabilidade . . . . . . . . . . . . . . 6.4.11.2 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . . . . 6.4.11.4
distribuição gaussiana . . . . . . . . . 3.4, 5.6-5.8, 5.11.6, 6.4.7, 9.2.2, 9.4.1.8, 9.4.2.2.5, 9.4.2.3.2, D.3
atribuição a uma grandeza. . . . . . . 6.4.7.1, 9.3.1.4, 9.5.2.7.2, F.3.1.1
esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.7.3 função densidade de probabilidade . . . . . . . . . . . . 3,4, 6.4.7.2 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . .6.4.7.4, C.4
distribuição gaussiana multivariada. . . . . . . . . . . . 6.4.8, 9.4.3.1.3 atribuição a uma grandeza vetorial. . . . . . . . . 6.4.8.1, 9.4.1.4 matriz de esperança e covariância . . . . . . . . . . . . . . . . 6.4.8.3 função densidade de probabilidade. . . . . . . . . . . . . . . . 6.4.8.2 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . .6.4.8.4, C.5
distribuição normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 distribuição qui-quadrado. . . . . . . . . . . . 6.4.11.4, 9.4.2.2.3, F.2.2 distribuição retangular. . . . . . . . . . . . . . .6.4.2, 9.2.3, 9.2.4, C.2, E
atribuição a uma grandeza . . . . . . . .6.4.2.1, 9.3.1.4, 9.5.2.6.2 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.2.3 função densidade de probabilidade. . . . . . . . . . . . . . . . 6.4.2.2 amostragem a partir de. . . . . . . . . . . . . . . . .6.4.2.4, 9.1.4, C.3
distribuição retangular com limites prescritos não exatos. ..6.4.3 atribuição a uma.grandeza . . . . . 6.4.3.1, 9.5.2.9.2, 9.5.2.10.2 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.3.3 função densidade de probabilidade. . . . . . . . . . . . . . . . 6.4.3.2 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . . . . . .6.4.3.4
distribuição-t. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5, 6.4.9 atribuição a uma grandeza . . . . . . . 6.4.9.2, 6.4.9.7, 9.5.2.2.2,
9.5.2.3.2, 9.5.2.4.2, 9.5.2.5.2 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.9.4 função densidade de probabilidade . . . . . . . . . . . . 3,5, 6.4.9.3 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . .6.4.9.5, C.6
distribuição-trapezoidal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.4.4 atribuição a uma grandeza . . . . . . . . . . . . . . . . . . . . . . 6.4.4.1 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.4.3 função densidade de probabilidade. . . . . . . . . . . . . . . . 6.4.4.2 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . . . . . .6.4.4.4
distribuição-trapezoidal curvilínea . . . . . . . . . . . ver distribuição retangular com limites prescritos não exatos
distribuição-triangular. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.5 atribuição a uma grandeza . . . . . . . . . . . . . . . . . . . . . . 6.4.5.1 esperança e variância. . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.5.3 função densidade de probabilidade. . . . . . . . . . . . . . . . 6.4.5.2 amostragem a partir de. . . . . . . . . . . . . . . . . . . . . . . . . .6.4.5.4
JCGM 101:2008
——————————————————————————
117
E elemento de probabilidade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3.3 esperança. . . . . . . . . . . . .3.6, 4.1, 4.3, 4.8, 5.1.1, 5.3.1, 5.6.2, 5.6.3,
5.9.6, 6.4.1, 7.5.1, 7.6, 9.2.3.3, 9.3.1.4, 9.4.1.4, 9.4.1.8, 9.4.2.1.2, 9.4.2.2.7, 9.4.2.2.11, 9.4.2.3.2, 9.4.3.1.3, C.2, D.3, D.4, E.3, F.1.1, F.2.4, F.3.1.1
estágios de avaliação de incerteza . . . . . . . . . . . . . . . . 5.1.1, 5.6.1 formulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1, 5.1.3 propagação. . . . . . . . . . 5.1.1, 5.1.3, 5.4, 5.4.3, 5.6.1, 5.6.3, 5.9 resumindo. . . . . . . . . . . . . . . . 5.1.1, 5.1.3, 5.3, 5.6.1, 5.6.3, 5.9
estimativa de uma grandeza de saída do método de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . 7.6
estimativa de uma grandeza de saída. . . 5.1.1, 5.3.1, 5.5.1, 5.11.4, 5.11.6, 9.4.2.2.7, B.2
da metodologia de incerteza do GUM . . . . . . . . . . 4.10, 5.6.2, 5.6.3, 9.4.2.1.3, 9.4.2.2.8, F.3.1.2
do método de Monte Carlo . . . . . . . 5.9.6, 7.9.4, 9.4.2.2.8, D.4
F FDP. . . . . . . . . . . . ver função densidade de probabilidade (FDP) fator de abrangência. . . . . . . 5.3.3, 5.11.6, 6.4.9.7, 9.2.2.3, 9.2.4.4,
9.5.2.2.1 formulação. . . . . . . . . . . . . ver estágios da avaliação da incerteza fórmula de Welch-Satterthwaite. . . . . . . . . . . .5.6.3, 5.7.2, 5.11.6,
6.4.9.4, 9.5.3.1 função distribuição. . . . . . . . . . . . . .. . . . . . . .3.2, 4.2, 5.3.6, 6.5
para grandeza de saída. . . . . . . . . . . .D, 5.2, 5.9.1, 5.11.4, 7.5, 9.3.2.3, 9.4.2.2.9
função densidade de probabilidade (FDP). . . . . 3.3, 4.2, 4.3, 4.15 assimétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.4, 5.3.6 para grandezas de entrada 5.1.1, 5.1.2, 5.4.4, 5.6.2, 5.11.2,
5.11.4, 6, 6.1.3, 6.1.5, 6.2-6.4, 7.3, 7.4.1, 7.6, 7.8.1 para grandezas de saída. . . . . . . . . . D, 5.1.1, 5.2, 5.4.4, 5.6.2,
5.7.2, 5.11.2, 5.11.4, 7.2.1, 7.5.2, B.1 conjunta. . . . . . . . . 4.4, 4.5, 5.1.1, 6.1.2, 6.1.4, 6.4.8.2, 6.4.8.4,
7.3, 7.8.1, 9.4.1.8 amostragem a partir de . . . . . . . . . . . . . . . . . . . C, 7.3, 9.2.2.4 simétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.3, 5.3.5, 9.2.2.8
função gama. . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . 3,5, 6.4.9.3
G gerador de números retangularmente distribuídos
qualidade de um . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .C.3.1.1 recomendado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . C.3.3
grandezas de entrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1, 5.1.1 grandezas de entrada correlacionadas. . .5.6.3, 9.4.3, C.5.3, F.3.2 grandeza de saída. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1, 5.1.1 grau de confiança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.2 Guia para a expressão de incerteza de medição (GUM) . . . . 2, 3,
4.15, 5.6.1, A GUM . . . . . . . . . . . . . ver Guia para a expressão de incerteza de
medição (GUM)
I incerteza expandida . . . . . . . . . . . . . . . 5.3.3, 5.6.3, 6.4.9.7, 5.2.2.1 incerteza mútua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3.11, 5.6.3 incerteza-padrão. . . . . . . . . . . . . . . . 4.10, 5.1.1, 5.1.2, 5.3.1, 5.5.1,
5.11.2, 5.11.5, 5.11.6, 8.1.3 na metodologia de incerteza do GUM . . . . . . . . . . 5.6.2, 5.6.3 no método de Monte Carlo . . . . . . . . . . . . . . . . . . . . 5,9,6, 7,6 confiabilidade da . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.4.9.4
incerteza-padrão combinada . . . . . . . . . . . . . . . . . . . . . . . . . . 4.10 indicações, análise de uma série de . . . . . . . . . 5.11.2, 6.1.3, 6.2.1,
6.2.2, 6.3.1, 6.4.9.2, 6.4.9.4, 6.4.9.6, 9.5.1.3, 9.5.2.3.1, 9.5.2.4.1
intervalo bayesiano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3.12 intervalo de abrangência . . . .3.12, 4.11, 5.1.1, 5.3.2, 5.5.1, 5.11.4,
5.11.6, 8.1.2, 8.1.3, D.5, E, F.2.6, F.3.1.4 da estrutura de incerteza do GUM. . .5.6.2, 5.6.3, 5.7.2, 5.8.2 do método de Monte Carlo . . . . . . . . . . . .5.9.6, 7.2.1, 7.6, 7.7 largura do. . . . . . . . . . . . . . . . . . . . . . . 3.14, 9.2.2.8, 9.4.2.2.11 probabilisticamente simétrico. . . . . .3.15, 5.3.3, 5.3.5, 5.3.6,
5.5.1, 7.9.4, 8.1.2, 9.2.2.3, 9.2.2.4, 9.2.2.6, 9.2.2.9, 9.2.3.2, 9.2.3.4, 9.2.4.4, 9.2.4.5, 9.4.2.2.11, D.6, E.1, F.2.8
mais curto . . . . . . . . . . . 3.16, 5.3.4–5.3.6, 5.5.1, 8.1.2, 9.2.2.9, 9.3.2.1, 9.3.2.3, 9.4.2.1.2, 9.4.2.2.9, 9.4.2.2.11, 9.4.2.3.3, 9.4.3.2.2, 9.5.4.1, D.7, D.8, F.2.7, F.2.8
estatístico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.9.4 intervalo de credibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3,12
M matriz de covariância. . . . . . . . . 3.11, 4.4, 6.4.8.3, 9.4.1.4, 9.4.1.8,
9.4.3.1.3, C.5 matriz de incerteza . . . . . . . . . . . . . . . . . . . . . 3.11, 6.4.8.1, F.3.2.1 matriz de variância-covariância. . . . . . . . . . . . . . . . . . . . . . . . 3.11 média
de uma série de indicações. . . . . . . . . . 5.11.2, 6.4.9.2, 6.4.9.4, 9.5.1.3, 9.5.2.3.1
de valores de modelo amostrados. . . . . . . . . . . . . . . . . . . . 7.6 melhor estimativa
a partir de um certificado de calibração . . . . . . . . . . . 6.4.9.7 de uma grandeza de entrada não negativa. . . . . . . . . 6.4.10.1 de uma grandeza de entrada vetorial. . . . . . . . . . . . . . 6.4.8.1 de uma grandeza de entrada . . . . . . . . . . 5.6.2, 5.11.2, 5.11.5,
6.4.7.1,6.4.9.4, 9.2.2.1, 9.2.3.1, 9.3.1.4, 9.4.1.3 método de Monte Carlo (MMC) . . . . . . 3.19, 4.15, 5.2, 5.4.1, 5.9,
6,5, 7, 8.1.1, A.1, B.1, C.1.1, D.3 procedimento adaptativo . . . . . . . . . . . . . . . . . . . . . . . . . . 7.9 comparação com a metodologia de incerteza do GUM. . 5.11 tempo de computação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7.8 condições de aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.10 exemplo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1 a 9.5 número de tentativas . . . . . . . . . . . . . . . . . . . . . . . . . 7.2, 7.9.1 amostragem a partir de distribuições de probabilidade. . 7.3
metodologia de incerteza do GUM (MIG). . . . . . . . . 1, 3,18, 4,15, 5.1.2, 5.4.2, 5.6, 5.10.2, F.3
comparação com o método de Monte Carlo. . . . . . . . . . . 5.11
JCGM 101:2008
——————————————————————————
118
condições para modelos lineares . . . . . . . . . . . . . . . . . . . . .5.7 condições para modelos não-lineares. . . . . . . . . . . . . . . . . 5.8 exemplo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1 a 9.5 validação da. . . . . . . 8.1, 9.1.2, 9.2.2.7, 9.2.3.4, 9.2.4.5, 9.3.2.6 com termos de ordem superior. . . . 5.8.1, 8.1.2, 9.1.1, 9.3.2.1,
9.3.2.6, 9.4.2.1.3, 9.4.2.2.1 MIG. . . . . . . . . . . . ver metodologia de incerteza do GUM (MIG) MMC. . . . . . . . . . . . . . . . . . .ver método de Monte Carlo (MMC) moda. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.4, 5.10.1, 7.5.1 modelo de medição. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1, 4.1, 5.1.1
aditivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9.2.1 calibração de bloco-padrão . . . . . . . . . . . . . . . . . . . . . . 9.5.1.5 calibração de padrões de massa. . . . . . . . . . . . . . . . . . .9.3.1.3 calibração de medidor de potência de microondas . . . 9.4.1.5 linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5.4.2, 5.7 não-linear. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.4, 5.8
momento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.9
N nível da confiança. . . . . . . . . . . . . . . . . . . . . . . . . . 3,13, 4.11, 7.9.4 número de graus de liberdade . . . . 3.5, 5.6.2, 5.6.3, 5.7.2, 5.11.5,
6.4.3.3, 6.4.9.2, 6.4.9.4, 6.4.9.5, 7.6, 9.5.2.4.2, 9.5.2.5.1, 9.5.4.1, C.6, F.2.2
efetivo. . . . . . . . . . . . . . . . . 5.6.3, 5.7.2, 5.11.6, 6.4.9.4, 6.4.9.7, 9.5.2.2.1, 9.5.3.1
de um desvio-padrão agrupado. . . . . . . . . . . . . . . . . . . 6.4.9.6
P princípio de máxima entropia. . . . . . . . . . . . . . . 6.1.1, 6.3, 6.4.2.1,
6.4.3.1, 6.4.6.1, 6.4.7.1, 6.4.10.1 probabilidade . . . . . . . . . . . . . 3.1, 3.2, 5.1.2, 5.11.2, 7.5.1, 9.2.2.8,
9.4.2.2.9, 9.4.2.2.11, 9.5.2.9.1, 9.5.2.10.1, D.2 probabilidade de abrangência . . . . . 3.13, 4.11, 5.1.1, 5.3.2, 5.5.1,
5.6.3, 5.9.6, 7.2.1, 7.7.2, 7.9.3, 8.1.2, 8.1.3, D.5 problemas de avaliação de incerteza ( discussão). . . . . . . . . . . . .1 propagação. . . . . . . . . . . . . . ver etapas de avaliação de incerteza
propagação de distribuições . . . . . . . . . . . . . . . 3,17, 5,2, 5,4, 5,9.6 analítica . . . . . . . . . . . . . . . . . . . . . . . .5.4.1, 9.4.2.1.1, 9.4.2.2.2 implementações de . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4
propagação de incertezas . . . . . . . . . . . . . . . . . . . . 3.18, 4.9, 5.4.1, 5.6.2, .5.7.1, .5.8.1, . 5.11.2, .5.11.6, 7.4.2, . 8.1.2, . 9.2.2.3, 9.3.1.3, 9.4.2.2.1, 9.4.2.2.8
R reportando resultados. . . . . . . . . . . . . . . . . . . . . . . . . . 1, 5.5, 9.1.3 resumindo. . . . . . . . . . . . . . ver estágios da avaliação de incerteza
T teorema de Bayes. . . . . . . . . . . . . . . . . 6.1.1, 6.2, 6.4.9.2, 6.4.11.1 teorema do limite central. . . . . . . . . . . . . . . . 5.7.2, 5.11.6, 9.2.4.5 testes de aleatoriedade. . . . . . . . . . . . . . . . . . . . . . . . . . 7.3, C.3.2.2 tolerância numérica . . . . . . . . 3.20, 5.1.3, 7.2.1, 7.2.3, 7.9.1, 7.9.2,
7.9.4, . .8.1.3, . .8.2, . . 9.1.2, . .9.2.2.3, . .9.2.2.4, . . 9.2.2.7, 9.2.4.2, 9.2.4.5, 9.3.2.2, 9.3.2.6, 9.5.3.2
V variância . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.7, 4.3, 5.3.1
de um conjunto de indicações . . . . . . . . . . . . . . . . . . . . 6.4.9.2 variável aleatória. . . . . 3.1, 4.1, 4.3, 5.6.3, 5.9.6, 6.2.1, 6.2.2, 7.9.4 VIM. . . . . ver: .Vocabulário . . Internacional. . de . . Metrologia:
Conceitos. . . fundamentais. . .e. . . gerais. . . e. . . termos. associados (VIM)
Vocabulário. . .Internacional . . .de . . .Metrologia: . . . Conceitos fundamentais . . e. . . gerais . . .e . . . termos . . associados (VIM) . . . . . . . . . 2, 3, 4.15
JCGM 101:2008
——————————————————————————
119
Alphabetical index
A
arc sine distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.6
assignment to a quantity . . . . . . . . 6.4.6.1, 9.5.2.8.2
expectation and variance . . . . . . . . . . . . . . . . . . 6.4.6.3
probability density function . . . . . . . . . . . . . . . 6.4.6.2
sampling from. . . . . . . . . . . .. . . . . . . . . . . . . . . . 6.4.6.4
average
of a set of indications . . . . . . 5.11.2, 6.4.9.2, 6.4.9.4,
9.5.1.3, 9.5.2.3.1
of sampled model values . . . . . . . . . . . . . . . . . . . . . .7.6
B
Bayes’ theorem. . . . . . . . . . . . . 6.1.1, 6.2, 6.4.9.2, 6.4.11.1
Bayesian interval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.3.12
best estimate
from a calibration certificate . . . . . . . . . . . . . . 6.4.9.7
of a non-negative input quantity . . . . . . . . . 6.4.10.1
of a vector input quantity . . . . . . . . . . . . . . . . . 6.4.8.1
of an input quantity. .5.6.2, 5.11.2, 5.11.5, 6.4.7.1,
6.4.9.4, 9.2.2.1, 9.2.3.1, 9.3.1.4, 9.4.1.3
C
calibration
certificate . . . . . 6.4.3.4, 6.4.9.7, 9.5.2.2.1, 9.5.2.4.1,
9.5.2.5.1
gauge block. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9.5
mass . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.3
microwave power meter . . . . . . . . . . . . . . . . . . . . . . . 9.4
Cauchy distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1
central limit theorem . . . . . . . . . . . . . 5.7.2, 5.11.6, 9.2.4.5
chi-squared distribution . . . . . . 6.4.11.4, 9.4.2.2.3, F.2.2
Cholesky decomposition . . . . . . . . . . . . . . . . . 6.4.8.4,
C.5.2
combined standard uncertainty. . . . . . . . . . . . . . . . . . . 4.10
convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.4.2, A.1, E
correlated input quantities. . . .5.6.3, 9.4.3, C.5.3, F.3.2
correlation coefficient . . . . . . . . . . . . . . . . 9.4.1.3, 9.4.2.3.1
covariance . . . . . . . . . . . . . . 3.10, 3.11, 5.6.3, 9.4.1.3, 9.4.3
covariance matrix. . . .3.11, 4.4, 6.4.8.3, 9.4.1.4, 9.4.1.8,
9.4.3.1.3, C.5
coverage factor . . . 5.3.3, 5.11.6, 6.4.9.7, 9.2.2.3, 9.2.4.4,
9.5.2.2.1
coverage interval . .3.12, 4.11, 5.1.1, 5.3.2, 5.5.1, 5.11.4,
5.11.6, 8.1.2, 8.1.3, D.5, E, F.2.6, F.3.1.4
from GUM uncertainty framework. . . .5.6.2, 5.6.3,
5.7.2, 5.8.2
from Monte Carlo method. . . .5.9.6, 7.2.1, 7.6, 7.7
length of . . . . . . . . . . . . . . . . . . 3.14, 9.2.2.8, 9.4.2.2.11
probabilistically symmetric. . . . . . . . . . . . . . . . . .3.15,
5.3.3, 5.3.5, 5.3.6, 5.5.1, 7.9.4, 8.1.2, 9.2.2.3,
9.2.2.4, 9.2.2.6, 9.2.2.9, 9.2.3.2, 9.2.3.4,
9.2.4.4, 9.2.4.5, 9.4.2.2.11, D.6, E.1, F.2.8
shortest . . . . . 3.16, 5.3.4–5.3.6, 5.5.1, 8.1.2, 9.2.2.9,
9.3.2.1, 9.3.2.3, 9.4.2.1.2, 9.4.2.2.9, 9.4.2.2.11,
9.4.2.3.3, 9.4.3.2.2, 9.5.4.1, D.7, D.8, F.2.7,
F.2.8
statistical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.9.4
coverage probability3.13, 4.11, 5.1.1, 5.3.2, 5.5.1, 5.6.3,
5.9.6, 7.2.1, 7.7.2, 7.9.3, 8.1.2, 8.1.3, D.5
credible interval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.12
curvilinear trapezoid distribution. . . . . . see rectangular
distribution with inexactly prescribed limits
D
degree of belief . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.2
degrees of freedom . . . . . . 3.5, 5.6.2, 5.6.3, 5.7.2, 5.11.5,
6.4.3.3, 6.4.9.2, 6.4.9.4, 6.4.9.5, 7.6, 9.5.2.4.2,
9.5.2.5.1, 9.5.4.1, C.6, F.2.2
effective . . . . . . . 5.6.3, 5.7.2, 5.11.6, 6.4.9.4, 6.4.9.7,
9.5.2.2.1, 9.5.3.1
of a pooled standard deviation . . . . . . . . . . . . 6.4.9.6
distribution function. . . . . . . . . . . . . . . .3.2, 4.2, 5.3.6, 6.5
for output quantity. . . . . .D, 5.2, 5.9.1, 5.11.4, 7.5,
9.3.2.3, 9.4.2.2.9
E
Erlang distribution . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.11.4
Estimate of output quantity
from Monte Carlo method . . . . . . . . . . . . . . . . . . . . 7.6
estimate of output quantity. .5.1.1, 5.3.1, 5.5.1, 5.11.4,
5.11.6, 9.4.2.2.7, B.2
from GUM uncertainty framework . . . . 4.10, 5.6.2,
5.6.3, 9.4.2.1.3, 9.4.2.2.8, F.3.1.2
from Monte Carlo method . . 5.9.6, 7.9.4, 9.4.2.2.8,
D.4
expanded uncertainty . . . . 5.3.3, 5.6.3, 6.4.9.7, 9.5.2.2.1
expectation. . . . . . . .3.6, 4.1, 4.3, 4.8, 5.1.1, 5.3.1, 5.6.2,
5.6.3, 5.9.6, 6.4.1, 7.5.1, 7.6, 9.2.3.3, 9.3.1.4,
9.4.1.4, 9.4.1.8, 9.4.2.1.2, 9.4.2.2.7, 9.4.2.2.11,
9.4.2.3.2, 9.4.3.1.3, C.2, D.3, D.4, E.3, F.1.1,
F.2.4, F.3.1.1
exponential distribution . . . . . . . . . . 6.4.10, 6.4.11.4, C.2
assignment to a quantity . . . . . . . . . . . . . . . . . 6.4.10.1
JCGM 101:2008
——————————————————————————
120
expectation and variance . . . . . . . . . . . . . . . . . 6.4.10.3
probability density function . . . . . . . . . . . . . . 6.4.10.2
sampling from . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.10.4
F
finite difference approximation. . . . . . . . . . . . . . . . . . .5.8.1
formulation . . . . . . . see stages of uncertainty evaluation
G
gamma distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.11
assignment to a quantity . . . . . . . . . . . . . . . . . 6.4.11.1
expectation and variance . . . . . . . . . . . . . . . . . 6.4.11.3
probability density function . . . . . . . . . . . . . . 6.4.11.2
sampling from . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.11.4
gamma function . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5,
6.4.9.3
Gaussian distribution . 3.4, 5.6–5.8, 5.11.6, 6.4.7, 9.2.2,
9.4.1.8, 9.4.2.2.5, 9.4.2.3.2, D.3
80
JCGM 101:2008
assignment to a quantity 6.4.7.1, 9.3.1.4, 9.5.2.7.2,
F.3.1.1
expectation and variance . . . . . . . . . . . . . . . . . . 6.4.7.3
probability density function . . . . . . . . . . . 3.4, 6.4.7.2
sampling from. . . . . . . . . . . . . . . . . . . . . . . .6.4.7.4, C.4
GUF. . . . . . . . . see GUM uncertainty framework (GUF)
Guide to the expression of uncertainty in measurement
(GUM) . . . . . . . . . . . . . . . . . . . 2, 3, 4.15, 5.6.1, A
GUM . . . see Guide to the expression of uncertainty in
measurement (GUM)
GUM uncertainty framework (GUF) . . . . . 1, 3.18, 4.15,
5.1.2, 5.4.2, 5.6, 5.10.2, F.3
comparison with a Monte Carlo method . . . . . 5.11
conditions for linear models . . . . . . . . . . . . . . . . . . .5.7
conditions for non-linear models . . . . . . . . . . . . . . 5.8
example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1–9.5
validation of . . . . 8.1, 9.1.2, 9.2.2.7, 9.2.3.4, 9.2.4.5,
9.3.2.6
with higher-order terms 5.8.1, 8.1.2, 9.1.1, 9.3.2.1,
9.3.2.6, 9.4.2.1.3, 9.4.2.2.1
I
indications, analysis of a series of . . 5.11.2, 6.1.3, 6.2.1,
6.2.2, 6.3.1, 6.4.9.2, 6.4.9.4, 6.4.9.6, 9.5.1.3,
9.5.2.3.1, 9.5.2.4.1
input quantities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1,
5.1.1
International vocabulary of basic and general terms in
metrology (VIM) . . . . . . . . . . . . . . . . . . 2, 3, 4.15
K
knowledge
about a quantity, incomplete . . . . . . . . . . . . . . . . 6.3.2
about a quantity, prior. . . . . . . . . . . . . . . . . . . . .5.11.2
about an input quantity . . . . . . . . . . . . . . 5.1.1, 6.1.6
L
level of confidence . . . . . . . . . . . . . . . . . . . . 3.13, 4.11,
7.9.4
M
MCM. . . . . . . . . . . . . . . see Monte Carlo method (MCM)
mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.4, 5.10.1,
7.5.1
model of measurement . . . . . . . . . . . . . . . . . . . . 1, 4.1,
5.1.1
additive. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9.2.1
calibration of gauge block . . . . . . . . . . . . . . . . . 9.5.1.5
calibration of mass standards. . . . . . . . . . . . . .9.3.1.3
calibration of microwave power meter . . . . . 9.4.1.5
linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5.4.2, 5.7
non-linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4.4, 5.8
moment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 3.9
Monte Carlo method (MCM) 3.19, 4.15, 5.2, 5.4.1, 5.9,
6.5, 7, 8.1.1, A.1, B.1, C.1.1, D.3
adaptive procedure . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.9
comparison with GUM uncertainty framework5.11
computation time. . . . . . . . . . . . . . . . . . . . . . . . . . . . .7.8
conditions for application . . . . . . . . . . . . . . . . . . . . 5.10
example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9.1–9.5
number of trials . . . . . . . . . . . . . . . . . . . . . . . . 7.2, 7.9.1
sampling from probability distributions . . . . . . . 7.3
multivariate Gaussian distribution . . . . . 6.4.8, 9.4.3.1.3
assignment to a vector quantity . . . 6.4.8.1, 9.4.1.4
expectation and covariance matrix . . . . . . . . 6.4.8.3
probability density function . . . . . . . . . . . . . . . 6.4.8.2
sampling from. . . . . . . . . . . . . . . . . . . . . . . .6.4.8.4, C.5
mutual uncertainty. . . . . . . . . . . . . . . . . . . . . . . . .3.11, 5.6.3
N
normal distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4
numerical tolerance3.20, 5.1.3, 7.2.1, 7.2.3, 7.9.1, 7.9.2,
7.9.4, 8.1.3, 8.2, 9.1.2, 9.2.2.3, 9.2.2.4, 9.2.2.7,
9.2.4.2, 9.2.4.5, 9.3.2.2, 9.3.2.6, 9.5.3.2
O
output quantity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1,
5.1.1
P
partial derivative . . . 5.6.3, 5.8.1, 5.11.4, 5.11.6, 9.3.1.3,
9.3.2.5, 9.4.2.2.1, 9.4.2.2.4, B.1, F.3.1.2
JCGM 101:2008
——————————————————————————
121
PDF . . . . . . . . . . see probability density function (PDF)
Poisson distribution . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.11.1
principle of maximum entropy . . . . . . 6.1.1, 6.3, 6.4.2.1,
6.4.3.1, 6.4.6.1, 6.4.7.1, 6.4.10.1
probability . . . . . . . . 3.1, 3.2, 5.1.2, 5.11.2, 7.5.1, 9.2.2.8,
9.4.2.2.9, 9.4.2.2.11, 9.5.2.9.1, 9.5.2.10.1, D.2
probability density function (PDF) . . 3.3, 4.2, 4.3, 4.15
asymmetric . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.3.4, 5.3.6
for input quantities5.1.1, 5.1.2, 5.4.4, 5.6.2, 5.11.2,
5.11.4, 6, 6.1.3, 6.1.5, 6.2–6.4, 7.3, 7.4.1, 7.6,
7.8.1
for output quantity . . . . . D, 5.1.1, 5.2, 5.4.4, 5.6.2,
5.7.2, 5.11.2, 5.11.4, 7.2.1, 7.5.2, B.1
joint . . . 4.4, 4.5, 5.1.1, 6.1.2, 6.1.4, 6.4.8.2, 6.4.8.4,
7.3, 7.8.1, 9.4.1.8
sampling from . . . . . . . . . . . . . . . . . . . . . C, 7.3, 9.2.2.4
symmetric . . . . . . . . . . . . . . . . . . . . 5.3.3, 5.3.5, 9.2.2.8
probability distribution. . . . . . . . . . . . . . . . . . . . . . . . . . .
.3.1
from previous uncertainty calculations . . . . . . . . 6.5
joint . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1
multivariate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1
sampling from . . . . . . . . . . . . . . . . . . . . . . . . . . . . . C, 7.3
univariate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1
probability element. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.3.3
propagation . . . . . . see stages of uncertainty evaluation
propagation of distributions . . . . . . . 3.17, 5.2, 5.4, 5.9.6
analytical . . . . . . . . . . . . . . . .5.4.1, 9.4.2.1.1, 9.4.2.2.2
implementations of . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.4
propagation of uncertainty . . . . . . . . . . . . 3.18, 4.9, 5.4.1,
5.6.2, 5.7.1, 5.8.1, 5.11.2, 5.11.6, 7.4.2, 8.1.2,
9.2.2.3, 9.3.1.3, 9.4.2.2.1, 9.4.2.2.8
R
random variable . 3.1, 4.1, 4.3, 5.6.3, 5.9.6, 6.2.1, 6.2.2,
7.9.4
rectangular distribution. . . . . .6.4.2, 9.2.3, 9.2.4, C.2, E
assignment to a quantity.6.4.2.1, 9.3.1.4, 9.5.2.6.2
expectation and variance . . . . . . . . . . . . . . . . . . 6.4.2.3
probability density function . . . . . . . . . . . . . . . 6.4.2.2
c
JCGM 2008— All rights reserved 81
JCGM 101:2008
sampling from. . . . . . . . . . . . . . . . . .6.4.2.4, 9.1.4, C.3
rectangular distribution with inexactly prescribed lim-its.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.4.3
assignment to a quantity . . . . . . . . 6.4.3.1, 9.5.2.9.2,
9.5.2.10.2
expectation and variance . . . . . . . . . . . . . . . . . . 6.4.3.3
probability density function . . . . . . . . . . . . . . . 6.4.3.2
sampling from. . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.4.3.4
rectangular number generator
quality of . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .C.3.1.1
recommended . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . C.3.3
reliability of uncertainty . . . . . see standard uncertainty
reporting the results . . . . . . . . . . . . . . . . . . . . . . 1, 5.5,
9.1.3
S
sensitivity coefficients . . . . . . 5.4.3, 5.6.3, 5.11.4, 5.11.6,
9.3.2.5, 9.5.2.6.2, B
significant decimal digits. . .1, 3.20, 4.13, 5.5.2, 6.4.3.4,
7.2.1, 7.6, 7.9.2, 8.1.3, 8.2, 9.1.3
skewness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7.5.1,
9.4.2.4.1
sorting algorithm. . . . . . . . . . . . . . . . . . . . . . . . . . 7.5.1,
7.8.2
stages of uncertainty evaluation . . . . . . . . . . . 5.1.1, 5.6.1
formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1, 5.1.3
propagation5.1.1, 5.1.3, 5.4, 5.4.3, 5.6.1, 5.6.3, 5.9
summarizing . . . . . 5.1.1, 5.1.3, 5.3, 5.6.1, 5.6.3, 5.9
standard deviation . . . . . . . . 3.8, 5.1.1, 5.3.1, 5.6.2, 5.6.3
of a set of indications . . . . . . . . . . . . . . . . . . . . . . 5.11.2
of sampled model values . . . . . . . . . . . . . . . . . . . . . . 7.6
pooled . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6.4.9.6
standard uncertainty . . . . 4.10, 5.1.1, 5.1.2, 5.3.1, 5.5.1,
5.11.2, 5.11.5, 5.11.6, 8.1.3
from GUM uncertainty framework . . . . 5.6.2, 5.6.3
from Monte Carlo method . . . . . . . . . . . . . . 5.9.6, 7.6
reliability of . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.4.9.4
summarizing. . . . . . see stages of uncertainty evaluation
T
t-distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5,
6.4.9
assignment to a quantity 6.4.9.2, 6.4.9.7, 9.5.2.2.2,
9.5.2.3.2, 9.5.2.4.2, 9.5.2.5.2
expectation and variance . . . . . . . . . . . . . . . . . . 6.4.9.4
probability density function . . . . . . . . . . . 3.5, 6.4.9.3
sampling from. . . . . . . . . . . . . . . . . . . . . . . .6.4.9.5, C.6
Taylor series approximation . . . 4.9, 5.4.1, 5.6.2, 5.11.4,
8.1.2, 9.1.1, 9.1.6, B.1, F.3.1.3
tests of randomness . . . . . . . . . . . . . . . . . . . . . . . 7.3,
C.3.2.2
trapezoidal distribution. . . . . . . . . . . . . . . . . . . . . . . . . .6.4.4
assignment to a quantity . . . . . . . . . . . . . . . . . . 6.4.4.1
expectation and variance . . . . . . . . . . . . . . . . . . 6.4.4.3
probability density function . . . . . . . . . . . . . . . 6.4.4.2
JCGM 101:2008
——————————————————————————
122
sampling from. . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.4.4.4
triangular distribution . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.5
assignment to a quantity . . . . . . . . . . . . . . . . . . 6.4.5.1
expectation and variance . . . . . . . . . . . . . . . . . . 6.4.5.3
probability density function . . . . . . . . . . . . . . . 6.4.5.2
sampling from. . . . . . . . . . . . . . . . . . . . . . . . . . . . .6.4.5.4
Type A and Type B evaluations of uncertainty. .5.1.2,
5.11.2, 5.11.4, 6.1.3, 6.4.9.4
U
U-shaped distribution . . . . . . . . see arc sine distribution
uncertainty evaluation problems. . . . . . . . . . . . . . . . . . . . .1
uncertainty matrix . . . . . . . . . . . . . . . 3.11, 6.4.8.1, F.3.2.1
V
variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.7, 4.3,
5.3.1
of a set of indications . . . . . . . . . . . . . . . . . . . . . 6.4.9.2
variance-covariance matrix . . . . . . . . . . . . . . . . . . . . . . .
3.11
VIM see International vocabulary of basic and general
terms in metrology (VIM)
W
Welch-Satterthwaite formula. . . . . . .5.6.3, 5.7.2, 5.11.6,
6.4.9.4, 9.5.3.1
82 c
JCGM 2008— All rights reserved
JCGM 101:2008
——————————————————————————
123
Notas dos Tradutores
NT 01 Introdução – NOTA 2) A tradução desta NOTA é fiel ao original, porém cabe
salientar que a metodologia de incerteza do GUM, diferentemente do que nela é dito,
não tem, em princípio, limitações, desde que todos os termos significativos de ordem
superior sejam incluídos na expansão da série de Taylor para a expressão de uc2(y)
[ver GUM 5.1.2, Equação (10) e H.1]. Na realidade, o texto refere, de maneira pouco
clara, uma limitação associada ao tratamento que é dado no exemplo H.1 do GUM.
Porém, mesmo neste caso, o tratamento é correto, pois os termos desconsiderados
são pouco significativos.
NT 02 (pag. 10) As referências genéricas ao GUM foram aqui atualizadas, e são
referidas à última versão brasileira do GUM (JCGM 100: 2008), de 2012, que pode ser
baixada em http://www.inmetro.gov.br/inovacao/publicacoes_avulsas.asp
NT 03 (item 3.12) A definição apresentada no VIM é mais abrangente: [VIM:2.36] “Intervalo, baseado na informação disponível, que contém o conjunto de valores
verdadeiros de um mensurando, com uma probabilidade determinada.”.
NT 04 (item 4.11) Segundo o item 6.2.2 do GUM, o termo nível de confiança é
somente aplicável a intervalos definidos por i quando certas condições são
atendidas, incluindo a de que todos os componentes de incerteza que contribuem
para �b(�) sejam obtidos de avaliações do Tipo A [GUM 6.2.2].
top related